Muon Track Reconstruction Procedures at the Baikal-GVD Neutrino Telescope

Resumo Técnico: Procedimentos de Reconstrução de Trajetos de Múons no Telescópio de Neutrinos Baikal-GVD

Declaração do Problema
O Baikal-GVD (Detector de Volume Gigaton) é o maior telescópio de neutrinos do Hemisfério Norte, projetado para estudar o fluxo de neutrinos cósmicos na faixa de TeV–PeV. Embora o canal de cascatas do detector ofereça reconstrução precisa de energia, o canal de trajetos é superior para identificar fontes pontuais astrofísicas devido à sua resolução angular aprimorada. O principal desafio na análise de eventos semelhantes a trajetos no Lago Baikal é a alta taxa de ruído óptico ambiental causada pela luminescência de matéria orgânica em sedimentação e algas. Esse ruído produz uma taxa não uniforme (variando de dezenas a centenas de kHz) que pode gerar centenas de sinais espúrios dentro da janela de leitura de 5 µs do detector, complicando a identificação da luz Cherenkov genuína proveniente de múons produzidos por interações de neutrinos.

Metodologia
O artigo detalha um pipeline de reconstrução desenvolvido especificamente para processamento de dados de único aglomerado (onde múltiplos aglomerados ainda não estão totalmente integrados para análise de trajetos). A metodologia prossegue através de três etapas principais:

1. Detecção de Sinais de Múons e Supressão de Ruído:

   • Critérios de Dois Passos: O algoritmo identifica primeiro pulsos Cherenkov suprimindo o ruído de fundo usando critérios de correlação temporal. Uma condição simples de diferença de tempo ($\Delta t < \Delta R n/c + \delta$) filtra os sinais, seguida por um critério de "causalidade direcional" que conecta os sinais com base em requisitos estritos relativos a uma direção de trajo.
   • Teoria dos Grafos: A coleção de sinais que forma o maior clique totalmente conectado é identificada usando o algoritmo de Bron–Kerbosch.
   • Varredura Direcional: Uma varredura é realizada sobre uma grade de $60^\circ \times 60^\circ$ ao redor de uma direção de trajo preliminar para encontrar a direção que produz os maiores cliques de sinais totalmente conectados.
   • Pureza dos Sinais: Este procedimento alcança uma pureza de coleção de sinais de aproximadamente 95%, mantendo uma probabilidade de 95% de capturar sinais Cherenkov para espectros de neutrinos atmosféricos.

2. Reconstrução de Trajeto e Estimativa de Energia:

   • Direção e Posição: A direção e a posição do trajeto são determinadas minimizando uma função de perda de dois termos. O primeiro termo é um $\chi^2$ baseado na diferença de tempo entre os sinais medidos e o tempo de chegada Cherenkov esperado (assumindo emissão direta). O segundo termo penaliza trajetos deslocados com base na distância do trajeto e na carga depositada, ponderados para permanecerem eficazes em uma ampla faixa de energia (de TeV a PeV).
   • Reconstrução de Energia: A energia do múon é estimada usando um "estimador de energia mediana". A taxa de perda de energia é calculada para módulos ópticos dentro de 40 m do trajeto, levando em conta a absorção de luz e fatores geométricos. A mediana dessas perdas de energia elementares serve como proxy para a verdadeira energia do múon ($E_{true}$), que é mapeada via ajustes polinomiais. Correções são aplicadas para contabilizar vieses relacionados ao número de sinais e ao ângulo zenital.

3. Seleção de Candidatos a Neutrinos:

   • Rejeição de Ruído de Fundo: A amostra de eventos reconstruídos é dominada por conjuntos de múons atmosféricos mal reconstruídos. Para isolar candidatos a neutrinos (especificamente eventos ascendentes com ângulos zenitais $>100^\circ$), os autores empregam Árvores de Decisão Boosted (BDTs).
   • Treinamento de BDT: Duas BDTs separadas são treinadas: uma para neutrinos de baixa energia ($E_\mu < 10$ TeV) e outra para neutrinos de alta energia ($E_\mu > 10$ TeV). Estas utilizam aproximadamente 20 variáveis quase independentes, incluindo qualidade do ajuste e topologia do evento.
   • Sinal vs. Ruído de Fundo: As BDTs são treinadas em espectros de neutrinos atmosféricos e astrofísicos (baseados nos modelos Bartol e IceCube) contra um ruído de fundo de conjuntos de múons atmosféricos (simulados via CORSIKA).

Principais Resultados
O pipeline de análise foi aplicado a dados coletados durante as temporadas de 2019–2021, correspondendo a um tempo de vida total de 14,4 anos no modo de único aglomerado.

• Resolução Angular: O procedimento de reconstrução alcança uma resolução angular mediana de $0,2^\circ$ para trajetos suficientemente longos (comprimento $>500$ m).
• Resolução de Energia: Para múons com energias acima de $\sim10$ TeV, é atingido um fator de resolução de energia de 2,5.
• Eficiência de Seleção: A aplicação de um corte de resposta da BDT $>0,25$ (para BDT de baixa ou alta energia) resulta em uma amostra onde a contribuição de conjuntos de múons mal reconstruídos é estimada em $\sim3\%$, mantendo ao mesmo tempo uma eficiência de seleção de eventos de neutrinos de aproximadamente 70%.
• Comparação Dados-MC: Uma amostra de 1.189 candidatos a neutrinos foi selecionada. A taxa de eventos observada nos dados foi 30% maior do que a esperada a partir da simulação de neutrinos atmosféricos usando o fluxo Bartol. Consequentemente, um fator de normalização de 1,32 foi aplicado à Simulação de Monte Carlo (MC) para comparação adicional. As distribuições de sinais do trajeto e da energia do múon reconstruída mostram concordância aceitável entre dados e expectativas da MC após essa escala.

Significado e Alegações
O artigo afirma apresentar o status do pipeline de análise de eventos semelhantes a trajetos para o telescópio Baikal-GVD. Seu significado principal reside em demonstrar a capacidade de reconstruir direções de múons com alta precisão ($\sim0,2^\circ$) e estimar a energia do múon com um fator de resolução de 2,5 no ambiente desafiador do Lago Baikal. O trabalho valida o uso de técnicas específicas de supressão de ruído e aprendizado de máquina (BDTs) para separar efetivamente sinais de neutrinos do dominante ruído de fundo de múons atmosféricos. Os autores observam que a análise foi realizada sem otimização adicional de cortes, servindo como uma demonstração do desempenho do pipeline no conjunto de dados de 2019–2021. A discrepância na taxa de eventos (dados excedendo a MC em 30%) é apontada como uma área para investigação futura, mas a concordância geral nas distribuições apoia a validade dos métodos de reconstrução e seleção.