Design and performance of a large-area scintillator-based chamber for the MID subsystem of ALICE 3

Este artigo descreve o projeto, a construção e os testes de uma câmara de barras cintiladoras para o subsistema MID da atualização ALICE 3, demonstrando uma eficiência de identificação de múons superior a 99% e uma taxa de falso positivo bem descrita por uma função exponencial através do uso de um algoritmo de aprendizado de máquina.

O essencial

Imagine que o CERN (o laboratório onde se estuda o universo em miniatura) é como uma grande fábrica de colisões de partículas. O experimento ALICE é uma das máquinas mais sofisticadas dessa fábrica, projetada para estudar um "sopa" de partículas chamada plasma de quarks e glúons.

Mas os cientistas querem ir além. Eles planejam uma atualização chamada ALICE 3, que funcionará no futuro. O objetivo principal dessa nova máquina é encontrar "fantasmas" muito específicos: os múons que nascem da decomposição de uma partícula chamada J/psi.

O problema? Esses múons são "lentos" (têm pouca energia) e se misturam facilmente com uma multidão de partículas "barulhentas" (como píons) que tentam imitá-los. É como tentar ouvir uma conversa sussurrada em um show de rock.

Para resolver isso, os cientistas precisavam de um detector especial chamado MID (Identificador de Múons). Este artigo conta a história de como eles construíram e testaram um protótipo gigante desse detector.

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Detector: Uma "Rede de Pesca" de Luz

O coração do detector é uma câmara gigante (1 metro por 1 metro) feita de 48 barras de plástico cintilante.

• As Barras: Imagine 48 barras de plástico que brilham quando uma partícula passa por elas, como se fossem canetas que deixam um rastro de luz fosforescente.
• A Camada Dupla: O detector tem duas camadas dessas barras. A primeira camada tem as barras na horizontal (como vigas de um teto) e a segunda na vertical (como colunas). Isso cria um "tabuleiro de xadrez" invisível. Se uma partícula passar, ela acende um quadrado específico, permitindo aos cientistas saber exatamente onde ela passou.
• Os Olhos: Em cada barra, há uma fibra óptica que coleta a luz e a leva para um "olho" super sensível chamado SiPM (um tipo de câmera microscópica). É como se cada barra tivesse seu próprio fotógrafo pessoal.

2. O Desafio: O "Muro de Ferro"

Para separar os múons (os "fantasmas" que queremos) dos píons (os "impostores" que queremos ignorar), os cientistas colocaram um absorvedor de ferro na frente do detector.

• A Analogia do Muro: Pense no absorvedor como um muro de tijolos muito grosso.
  • Os píons são como bolas de tênis: quando batem no muro, elas param, quicam ou se quebram em pedaços (chuveiros de partículas).
  • Os múons são como balas de canhão: eles são tão penetrantes que atravessam o muro de ferro sem se importar.
• O objetivo é que apenas as "balas de canhão" (múons) cheguem até a nossa "rede de pesca" (as barras de plástico) do outro lado do muro.

3. O Teste: A Prova de Fogo

Os cientistas levaram esse protótipo para o CERN e o bombardearam com feixes de partículas.

• Eles usaram um contador Cherenkov (um tipo de filtro de segurança) para garantir que o feixe estava limpo, sem elétrons indesejados.
• Eles variaram a espessura do "muro de ferro" (de 46 cm a 86 cm) para ver quanto tempo o detector conseguia aguentar antes de começar a confundir as coisas.

4. O Cérebro Artificial: O Detetive Inteligente

Aqui entra a parte mais moderna: Machine Learning (Aprendizado de Máquina).

• Em vez de apenas contar quantas barras acenderam, os cientistas usaram um algoritmo inteligente (chamado BDT - Boosted Decision Trees) para analisar os dados.
• Como funciona: Imagine um detetive muito experiente. Ele não olha apenas se a luz acendeu. Ele analisa:
  • Quão rápido a luz chegou? (Tempo)
  • Quão forte foi o brilho? (Carga)
  • Quantas barras foram acionadas? (Multiplicidade)
  • O padrão de luz parece o de um múon ou o de um píon?
• O algoritmo foi "treinado" com 50% dos dados (aprendendo a diferença entre múons e píons) e depois testado com os outros 50%.

5. Os Resultados: Um Sucesso Estrondoso

Os resultados foram excelentes:

• Eficiência: O detector conseguiu identificar 99% dos múons reais (quando aceitava que pelo menos uma das duas camadas fosse ativada).
• Precisão: Para um muro de ferro de 70 cm (o tamanho planejado para o ALICE 3), o detector conseguiu rejeitar 97,6% dos píons falsos. Ou seja, apenas 2,4% dos píons conseguiam enganar o sistema.
• A Curva de Aprendizado: Quanto mais grosso o muro de ferro, menos píons conseguiam atravessar. A relação seguiu uma curva matemática perfeita, confirmando que o detector funciona exatamente como os físicos esperavam.

Conclusão: O Que Isso Significa?

Este artigo é o "certificado de aprovação" de um novo componente vital para o futuro da física.

• Eles construíram um detector grande, barato e eficiente.
• Eles provaram que, combinando materiais simples (plástico cintilante) com inteligência artificial, é possível ver o invisível.
• Com essa tecnologia, o ALICE 3 poderá estudar múons de baixa energia que outros experimentos do CERN não conseguem ver, abrindo uma nova janela para entender como a matéria se comporta nas condições mais extremas do universo.

Em resumo: Eles construíram um "olho de águia" feito de plástico e luz, treinado por um "cérebro de computador", capaz de encontrar agulhas em palheiros cósmicos, mesmo quando o palheiro é um muro de ferro de 70 cm de espessura.

Resumo técnico

Resumo Técnico: Projeto e Desempenho de uma Câmara de Cintilador de Grande Área para o Subsistema MID do ALICE 3

1. Problema e Contexto

O experimento ALICE no LHC tem sido bem-sucedido no estudo do plasma de quarks e glúons fortemente interagentes (sQGP). No entanto, questões fundamentais sobre as propriedades do sQGP e outras facetas da interação forte permanecerão abertas após as corridas 3 e 4 (2022-2033). Para a Corrida 5 (2036-2041), propõe-se um novo aparato, o ALICE 3.
Um dos subsistemas críticos é o Detector Identificador de Múons (MID), projetado para reconstruir decaimentos de $J/\psi$ no canal de dí-múons em repouso. O desafio principal é identificar múons com momentos entre 1,5 e 5 GeV/c. Esta faixa de momento é única, pois outros experimentos do LHC conseguem identificar múons apenas acima de 6 GeV/c. A tecnologia em consideração baseia-se em barras de cintilador, exigindo uma resolução temporal de alguns nanossegundos e uma resolução espacial de alguns centímetros, com eficiência de identificação de múons superior a 94% e eficiência de "falso múon" (píons) inferior a 3%.

2. Metodologia e Projeto do Protótipo

O artigo descreve o projeto, construção e testes de um protótipo de grande escala ($1 \times 1 \text{ m}^2$) para o MID.

• Construção do Detector:

  • O protótipo consiste em 48 barras de cintilador (FNAL-NICADD, dimensões $100 \times 4 \times 1 \text{ cm}^3$), divididas em duas camadas sensíveis de 24 barras cada.
  • As camadas são separadas por um gap de ar de 1 cm. As barras da segunda camada são ortogonais às da primeira, criando uma célula de leitura cruzada de $4 \times 4 \text{ cm}^2$.
  • Leitura de Luz: Cada barra possui um sulco longitudinal com uma fibra de deslocamento de comprimento de onda (WLS) da Kuraray (Y-11). Foram testados diâmetros de 1,5 mm e 2,0 mm, sendo o de 2,0 mm escolhido por aumentar o rendimento de luz em 40%.
  • Fotodetecção: A leitura é feita por SiPMs (Fotomultiplicadores de Silício) da Hamamatsu (modelo 14160-3050HS), acoplados às extremidades das fibras via suporte de encaixe (snap-fit) impresso em 3D, evitando parafusos na estrutura mecânica.
  • Estrutura Mecânica: Uma estrutura de suporte em alumínio (placas e perfis angulares) foi projetada para suportar as barras, com simulações de tensão mecânica confirmando deflexões máximas de ~0,38 mm sob carga.

• Configuração Experimental (CERN T10):

  • Testes realizados com feixes de píons ($\pi^-$) e múons ($\mu^+$) de 3 GeV/c.
  • O detector foi posicionado atrás de um absorvedor de ferro com comprimento variável (46 a 86 cm) para simular a atenuação de partículas hadrônicas.
  • Um contador Cherenkov de alta pressão (XCET) foi utilizado para purificar o feixe, eliminando contaminação de elétrons (reduzindo a contaminação para ~0,29%).
  • Um sistema de gatilho (trigger) de 5 cintiladores garantiu a seleção de eventos limpos.

• Análise de Dados:

  • Foi empregado um algoritmo de Aprendizado de Máquina (Machine Learning), especificamente Árvores de Decisão Boosted (BDT) implementadas no toolkit TMVA.
  • Variáveis de Entrada: Multiplicidade de hits ($N_{hit}$), canal disparado, carga coletada e tempo de chegada relativo ($\Delta ToA$).
  • O modelo foi treinado e testado com 50% dos dados de feixes puros de múons (sinal) e píons (fundo), utilizando o restante para validação.

3. Resultados Principais

• Eficiência de Múons: O algoritmo BDT alcançou uma eficiência de detecção de múons superior a 99% sob a condição "OR" (detecção em pelo menos uma das duas camadas). Para a condição de aceitação geométrica combinada com eficiência, o valor estabiliza em torno de 94%, conforme projetado.
• Rejeição de Píons (Falso Múon):
  • A eficiência de "falso múon" (píons que passam como múons) diminui exponencialmente com o aumento do comprimento do absorvedor.
  • Para um absorvedor de 70 cm (espessura típica do projeto final), a eficiência de fundo foi de 2,4% ± 0,1%.
  • A dependência do fundo em relação ao comprimento do absorvedor segue uma função exponencial com um parâmetro de incluição de 18,79 cm, mais um termo constante de ~3,1% (atribuído a contaminação residual de múons no feixe de píons).
• Validação: Os dados experimentais do protótipo grande coincidem bem com as simulações GEANT 4 e superam os resultados de protótipos menores testados anteriormente, graças à implementação de métodos de ajuste de modelo (template-fit) para suprimir contribuições de secundários.

4. Contribuições Chave

1. Projeto Mecânico e de Construção: Demonstração viável da construção de uma câmara de $1 \text{ m}^2$ com 48 barras, utilizando técnicas de montagem sem parafusos e otimização de acoplamento fibra-SiPM.
2. Validação Experimental de Grande Escala: Confirmação experimental de que a tecnologia de cintiladores com SiPM atende aos requisitos rigorosos do ALICE 3 para a faixa de momento de 1,5-5 GeV/c.
3. Otimização via Machine Learning: Eficácia comprovada do uso de BDTs para separar sinais de múons de fundos de píons em um ambiente de feixe real, superando métodos de corte simples.
4. Caracterização de Fundo: Quantificação precisa da eficiência de fundo em função da espessura do absorvedor, fornecendo dados cruciais para o dimensionamento final do absorvedor no ALICE 3.

5. Significado e Perspectivas

Este trabalho valida a tecnologia escolhida para o subsistema MID do ALICE 3, garantindo que o experimento possa realizar medições únicas de múons de baixo momento, essenciais para o estudo da física de quarkonium e do sQGP. O sucesso do protótipo de grande área confirma que os requisitos de eficiência (>94%) e rejeição de fundo (<3%) são alcançáveis.

Próximos Passos:

• Testes de novos protótipos com barras mais longas (1,5 m) para cobrir a área total necessária.
• Avaliação de cintiladores de diferentes fornecedores.
• Refinamento final da otimização do detector antes da construção definitiva para a Corrida 5 do LHC.