Trigger Optimization and Event Classification for Dark Matter Searches in the CYGNO Experiment Using Machine Learning

O artigo apresenta duas abordagens de aprendizado de máquina desenvolvidas pelo experimento CYGNO para otimizar a redução de dados e a classificação de eventos em buscas por matéria escura: um autoencoder convolucional não supervisionado para extração eficiente de regiões de interesse e uma aplicação do framework CWoLa para identificar topologias de recuo nuclear sem rótulos de eventos.

O essencial

Imagine que o CYGNO é um detector de "fantasmas" (matéria escura) gigante, feito de um gás especial e equipado com câmeras super sensíveis. O objetivo é encontrar partículas raras e misteriosas que passam por tudo, mas quase nunca interagem.

O problema é que essas câmeras tiram fotos gigantescas e cheias de "ruído" (como estática em uma TV antiga). Se tentarmos salvar todas as fotos inteiras, o computador vai travar e o arquivo vai ficar enorme demais. Além disso, a partícula que queremos achar (o "fantasma") deixa uma marca muito pequena e específica, que se parece com uma gota de tinta redonda, enquanto o ruído e outras partículas comuns deixam marcas longas e tortas.

Este artigo conta como os cientistas usaram Inteligência Artificial (IA) para resolver dois grandes problemas:

1. O Filtro Inteligente (Redução de Dados)

O Problema: As câmeras geram milhões de pixels, mas a maioria está vazia ou cheia de ruído. Salvar tudo é desperdício.
A Solução (Autoencoder):
Imagine que você tem um artista muito talentoso que só conhece a "estática" de uma TV desligada. Ele aprendeu a desenhar perfeitamente como é o ruído de fundo.

• Quando a câmera tira uma foto com uma partícula real, o artista tenta desenhar a foto inteira baseado apenas no que ele sabe (o ruído).
• Onde ele consegue desenhar perfeitamente, é só ruído.
• Onde ele falha e deixa um "buraco" ou uma mancha estranha no desenho, é porque algo novo (a partícula) apareceu ali.

A IA usa essa "falha no desenho" para recortar apenas a parte interessante da foto (chamada de Região de Interesse).

• Resultado: Eles conseguem jogar fora 97,8% da imagem (o lixo) e manter 93% da informação importante, tudo isso em 25 milissegundos (mais rápido que um piscar de olhos). É como ter um guarda que, em vez de revistar cada centímetro de um estádio, olha apenas para onde alguém está correndo.

2. O Detetive Sem Rótulos (Classificação de Eventos)

O Problema: Para ensinar a IA a reconhecer a partícula de matéria escura, eles precisariam de um monte de fotos onde já soubessem exatamente qual é qual. Mas, na vida real, eles não têm essas "fotos rotuladas".
A Solução (CWoLa - Classificação sem Rótulos):
Imagine que você tem duas caixas de frutas misturadas:

• Caixa A: Tem muitas maçãs ruins (ruído) e algumas maçãs boas (partículas reais).
• Caixa B: Tem apenas maçãs ruins (ruído puro).

Você não sabe qual maçã é qual, mas sabe que a Caixa A tem um pouco mais de maçãs boas do que a Caixa B.
A IA é treinada para olhar para as duas caixas e dizer: "Olha, essa fruta aqui na Caixa A parece um pouco diferente das frutas da Caixa B". Mesmo sem saber o nome da fruta, a IA aprende a separar o que é "diferente" (a partícula rara) do que é "comum" (o ruído).

• O Teste: Eles usaram uma fonte de nêutrons (que imita o comportamento da matéria escura) para criar essa mistura.
• Resultado: A IA conseguiu isolar as partículas que deixam marcas redondas e compactas (como a matéria escura faria), separando-as do ruído com uma eficiência que chega perto do limite teórico possível.

Resumo da Ópera

O artigo mostra que, usando truques de IA inteligentes:

1. Eles conseguem limpar o lixo das fotos gigantes em tempo real, sem precisar de um supercomputador.
2. Eles conseguem encontrar a agulha no palheiro mesmo sem saber exatamente como a agulha parece, apenas comparando duas pilhas de palha.

Isso é crucial para o futuro do experimento CYGNO, permitindo que eles monitorem o universo 24 horas por dia sem se afogar em dados, aumentando as chances de finalmente "pegar" a matéria escura.

Resumo técnico

Resumo Técnico: Otimização de Gatilho e Classificação de Eventos para Buscas de Matéria Escura no Experimento CYGNO usando Aprendizado de Máquina

1. Problema

O experimento CYGNO utiliza um Detector de Projeção Temporal (TPC) com leitura óptica para buscar interações raras de baixa energia (na faixa de 1–100 keV), especificamente focando em recuos nucleares (NR) que seriam a assinatura de matéria escura, distinguindo-os de um fundo abundante de recuos eletrônicos (ER).

O principal desafio enfrentado é o volume massivo de dados. Cada exposição gera imagens de megapixels altamente esparsas, onde o sinal físico ocupa apenas uma pequena fração dos pixels. Para o demonstrador futuro CYGNO-04, com múltiplas câmeras de alta resolução operando a alguns Hz, o armazenamento de quadros completos resultaria em uma taxa de dados insustentável (ordem de 10² MB/s). As pipelines de reconstrução offline tradicionais, embora precisas, têm latências da ordem de segundos, tornando-as inadequadas para gatilhos em tempo real (online). É necessário desenvolver estratégias para:

1. Redução de dados e localização online via Regiões de Interesse (ROIs) com baixa latência.
2. Discriminação entre sinais de recuo nuclear (NR) e fundo (ER) mesmo na ausência de rótulos de eventos individuais (supervisão mínima).

2. Metodologia

Os autores propõem e avaliam duas abordagens complementares de Aprendizado de Máquina (ML) com supervisão mínima:

A. Extração de ROI Não Supervisionada (Detecção de Anomalias)

• Conceito: Utilização de um Autoencoder (AE) convolucional treinado exclusivamente em dados de "pedestal" (imagens adquiridas com a amplificação GEM desativada).
• Mecanismo: O AE aprende a morfologia do ruído do detector. Quando aplicado a imagens padrão (com sinal), as estruturas induzidas por partículas aparecem como falhas de reconstrução localizadas.
• Processamento: Um mapa de anomalia é gerado calculando o resíduo pixel a pixel ($r(x) = |x - \hat{x}|$). Um limiar global é aplicado, seguido de operações morfológicas (fechamento) para conectar fragmentos de resíduos ao longo de trilhas, definindo a ROI binária.
• Arquitetura: AE convolucional com downsampling por convolução com passo, upsampling por convolução transposta, conexões de salto e representação latente de 128 dimensões. O objetivo de reconstrução combina Erro Quadrático Médio (MSE) e Similaridade Estrutural (SSIM).

B. Identificação de Recuo Nuclear Supervisionada Fracamente (CWoLa)

• Conceito: Aplicação do framework Classification Without Labels (CWoLa) para distinguir misturas de dados sem rótulos de eventos individuais.
• Dados: Utilização de uma fonte de nêutrons Americium-Berílio (AmBe) para criar uma amostra enriquecida em NR, misturada com uma amostra padrão (fundo).
• Mecanismo: Um classificador convolucional é treinado para distinguir as duas misturas (AmBe vs. Padrão) usando apenas rótulos de nível de amostra. Teoricamente, isso permite recuperar o discriminador ótimo entre sinal e fundo.
• Limitação Teórica: A fração de sinal na mistura AmBe ($\alpha$) impõe um teto teórico para a performance (AUC máximo), pois uma parte do fundo na amostra AmBe é indistinguível do fundo puro.

3. Contribuições Principais

• Estratégia de Redução de Dados Online: Desenvolvimento de um pipeline de detecção de anomalias baseado em pedestal que opera sem necessidade de dados rotulados de física, permitindo a compressão extrema de dados em tempo real.
• Aprendizado de Topologias de Recuo Nuclear: Demonstração de que é possível aprender as características topológicas de recuos nucleares diretamente de dados experimentais mistos, sem simulações rotuladas ou rótulos de eventos.
• Validação Experimental: Testes realizados em dados reais de protótipos do CYGNO, validando a viabilidade das abordagens em condições operacionais reais.

4. Resultados

Para a Extração de ROI (Autoencoder):

• Cobertura de Sinal: Retém 93,0 ± 0,2% da intensidade do sinal reconstruído.
• Compressão de Área: Descarta 97,8 ± 0,1% da área da imagem (redução drástica de dados).
• Latência: Tempo de inferência de aproximadamente 25 ms por quadro em uma GPU de consumo, viabilizando o processamento online.
• Estabilidade: O desempenho situa-se em uma "meseta" ampla em relação à variação do limiar, indicando robustez.

Para a Classificação CWoLa:

• Performance: O classificador alcançou uma performance que se aproxima do teto teórico imposto pela composição da mistura.
• Teto Teórico (AUC): Dada a fração de sinal $\alpha = (32,0 \pm 0,9)\%$, o AUC máximo teórico é $0,660 \pm 0,005$. O modelo atingiu performance próxima a este limite.
• Seleção de Eventos: Ao aplicar um limiar conservador ($p > 0,8$), o modelo isola uma população de eventos com morfologias compactas e aproximadamente circulares, consistentes com recuos nucleares, localizados na região favorável do plano energia-densidade.

5. Significado e Impacto

Este trabalho estabelece um caminho viável para a escalabilidade de detectores ópticos de próxima geração como o CYGNO.

• Viabilidade Operacional: A abordagem de detecção de anomalias resolve o gargalo de volume de dados, permitindo que futuros detectores operem com taxas de quadros mais altas sem sobrecarregar os sistemas de armazenamento.
• Metodologia Geral: As técnicas de ML com supervisão mínima (especialmente CWoLa) oferecem estratégias aplicáveis a outras buscas de matéria escura e física de partículas onde a obtenção de rótulos precisos de eventos é difícil ou impossível.
• Validação de Conceito: Os resultados confirmam que a leitura óptica, combinada com ML avançado, pode fornecer tanto a redução de dados necessária quanto a discriminação de sinais físicos críticos para a detecção de matéria escura.