Pulse shape discrimination for $\alpha$ event rejection in BEGe-type high-purity germanium detectors

Este estudo demonstra que classificadores de discriminação de forma de pulso treinados exclusivamente com dados de raios gama podem identificar e rejeitar efetivamente eventos alfa em detectores de germânio de alta pureza, oferecendo uma estratégia robusta de supressão de fundo para pesquisas de próxima geração de decaimento duplo beta sem neutrinos, como o LEGEND, onde dados de treinamento dedicados a eventos alfa são insuficientes.

O essencial

Imagine que você está tentando ouvir um único, perfeito sussurro em uma sala muito barulhenta. Isso é essencialmente o que os cientistas fazem quando buscam um evento raro chamado "decaimento duplo beta sem neutrinos". Eles usam microfones incrivelmente sensíveis feitos de cristais de germânio puro (detectores) para capturar esses sussurros.

No entanto, a sala está cheia de outros ruídos:

1. O Ruído "Ruim": Às vezes, raios gama (um tipo de radiação) quicam pela sala várias vezes antes de parar. Esses são como pessoas batendo palmas em cantos diferentes da sala. Os cientistas querem ignorar esses.
2. O Ruído "Intruso": Às vezes, partículas alfa (pequenos fragmentos radioativos pesados) aterrissam diretamente na superfície do microfone. Esses são como alguém batendo no microfone diretamente com um dedo. Eles criam um som que parece muito semelhante ao "sussurro" que os cientistas estão caçando, potencialmente enganando-os a pensar que encontraram algo quando não encontraram.

O Problema

Geralmente, para ensinar um computador a ignorar o "Ruído Ruim" (raios gama), os cientistas mostram a ele milhares de exemplos desses sons. Mas, para o "Ruído Intruso" (partículas alfa), há uma pegadinha: em experimentos reais, esses intrusos são tão raros que não há o suficiente deles para ensinar o computador como eles se parecem.

A grande questão que este artigo faz é: Podemos ensinar o computador a detectar o "Intruso" apenas mostrando a ele o "Ruído Ruim" (raios gama), sem nunca mostrar a ele um Intruso real?

O Experimento

Os pesquisadores configuraram um detector de germânio de alta tecnologia (do tipo "BEGe") e fizeram duas coisas:

1. Treinamento: Eles bombardearam o detector com raios gama (usando uma fonte de Tório) para ensinar dois programas de computador diferentes (um "Perceptron Multicamadas" e um classificador de "Verossimilhança Projetiva") a distinguir entre um único quique (bom) e múltiplos quiques (ruim).
2. Teste: Em seguida, colocaram uma fonte de Polônio (um emissor alfa) diretamente na superfície do detector. Isso criou milhares de eventos "Intrusos". Eles perguntaram ao computador: "Ei, você aprendeu com os raios gama. Agora consegue detectar e rejeitar essas partículas alfa?"

Os Resultados

Os programas de computador foram surpreendentemente bons nisso.

• O Filtro "Inteligente": O melhor método, um tipo de Rede Neural Artificial (chamado Perceptron Multicamadas ou MLP), agiu como um porteiro superinteligente.
• Mantendo o Bom: Ele manteve mais de 80% dos "sussurros" (os eventos gama de sítio único que se parecem com o sinal que eles desejam).
• Rejeitando o Ruim: Ele descartou mais de 80% das "batidas de palma" (os eventos gama de múltiplos sítios).
• Expulsando os Intrusos: Mais importante, ele rejeitou as partículas alfa com eficiência incrível. Ele filtrou mais de 27.000 partículas alfa para cada uma que escapou.

A Analogia

Pense no detector como uma câmera de segurança.

• Raios gama são como pessoas passando por uma porta; às vezes uma pessoa passa (bom), às vezes um grupo passa junto (ruim). A câmera aprende a identificar os grupos.
• Partículas alfa são como alguém tentando escalar por uma janela logo ao lado da porta.
• O artigo mostra que, ao aprender a identificar os "grupos" na porta, a câmera também aprendeu a identificar o "escalador" na janela, mesmo nunca tendo visto um escalador durante seu treinamento.

A Conclusão

O artigo conclui que você não precisa de uma vasta biblioteca de exemplos raros de "intrusos" para ensinar seu detector a rejeitá-los. Ao treinar o sistema apenas no "ruído ruim" mais comum (raios gama), os algoritmos de aprendizado de máquina aprendem naturalmente a identificar os "intrusos" (partículas alfa) também.

Isso é uma grande vitória para experimentos futuros (como o projeto LEGEND mencionado no texto), porque significa que eles podem construir detectores mais limpos e sensíveis sem precisar esperar anos para coletar eventos alfa raros o suficiente para treinar seu software. O "filtro inteligente" funciona pronto, usando apenas os dados que eles já possuem.

Resumo técnico

Resumo Técnico: Discriminação de Forma de Pulso para Rejeição de Eventos $\alpha$ em Detectores HPGe do Tipo BEGe

Enunciado do Problema
Detectores de germânio de alta pureza (HPGe) são centrais para buscas de eventos raros, particularmente a busca pelo decaimento duplo beta sem neutrinos ($0\nu\beta\beta$) em $^{76}\text{Ge}$ (por exemplo, o experimento LEGEND). Embora esses detectores ofereçam excelente resolução de energia e pureza intrínseca, eles permanecem suscetíveis a eventos de fundo. Um desafio específico é a rejeição de partículas $\alpha$ emitidas por contaminantes de superfície, como $^{210}\text{Po}$ e $^{226}\text{Ra}$. Se esses emissores estiverem localizados no contato $p^+$ fino do detector, as partículas $\alpha$ podem depositar uma fração de sua energia dentro do volume ativo, criando sinais que podem mimetizar a região de interesse (ROI) ao redor do valor $Q_{\beta\beta}$ de 2039 keV.

Técnicas padrão de Discriminação de Forma de Pulso (PSD) são eficazes em distinguir eventos de único sítio (SSEs, semelhantes ao sinal) de eventos de múltiplos sítios (MSEs, raios $\gamma$ semelhantes ao fundo). No entanto, eventos $\alpha$ também são tipicamente semelhantes a SSEs, tornando-os difíceis de rejeitar usando cortes de PSD baseados em $\gamma$. Além disso, em experimentos de baixo fundo, o número total de eventos $\alpha$ observados durante a vida útil do experimento é frequentemente muito baixo para treinar classificadores dedicados especificamente para rejeição de $\alpha$. O problema central abordado é se um classificador PSD treinado exclusivamente em dados de raios $\gamma$ de alta estatística (SSE vs. MSE) pode identificar e rejeitar efetivamente eventos $\alpha sem exigir dados de treinamento dedicados para$\alpha$.

Metodologia
O estudo utilizou um detector de Germânio de Energia Ampla com contato pontual (BEGe). Duas campanhas de medição foram conduzidas na superfície:

1. Baixa Estatística (LS): Usando uma fonte de $^{209}\text{Po}$ ($\sim$0,1 Bq), resultando em $\sim 1,36 \times 10^5$ eventos $\alpha$.
2. Alta Estatística (HS): Usando uma fonte de $^{210}\text{Po}$ ($\sim$1 Bq), resultando em $\sim 1,87 \times 10^6$ eventos $\alpha$.

Em ambas as campanhas, uma folha de ouro com polônio depositado foi colocada diretamente no contato $p^+$ do detector para simular contaminação de superfície. Corridas de calibração com uma fonte de $^{228}\text{Th}$ forneceram os dados de treinamento para os classificadores PSD.

Duas abordagens de aprendizado de máquina (ML) foram investigadas:

• Verossimilhança Projetiva (PLK): Um classificador Bayesiano ingênuo assumindo independência estatística entre as características de entrada.
• Perceptron Multicamadas (MLP): Uma rede neural artificial feed-forward com seis camadas densas (dimensões: 64-32-16-8-4-1), usando ativação ReLU para camadas ocultas e sigmoide para a saída.

Características de Entrada e Treinamento:

• A entrada consistiu em 64 pontos da borda ascendente da forma de onda bruta (32 amostras antes, 1 no, e 31 após o máximo de corrente).
• Conjuntos de dados de treinamento foram construídos a partir de corridas de calibração com $^{228}\text{Th}$, selecionando regiões de energia específicas para definir classes SSE (Picos de Escape Duplo, Borda Compton) e MSE (Picos de Escape Simples, Picos de Energia Total, Espalhamento Compton Múltiplo).
• Seis configurações de treinamento diferentes (TC1–TC6) foram testadas, variando os picos específicos usados para definições de SSE e MSE.
• Um classificador A/E (Amplitude/Energia) tradicional foi usado como referência.

Principais Resultados
Os classificadores foram avaliados com base em três métricas: sobrevivência de SSE (eficiência de sinal), rejeição de MSE (supressão de fundo) e fator de rejeição de $\alpha$.

1. Desempenho no Fundo $\gamma$: Ambos os métodos de ML separaram com sucesso eventos SSE e MSE. Configurações treinadas em Picos de Escape Duplo (DEP) geralmente superaram aquelas treinadas na Borda Compton (CE). O MLP alcançou frações de sobrevivência de SSE >80% e frações de sobrevivência de MSE <20%, consistentes com ou excedendo resultados anteriores do GERDA e LEGEND.
2. Desempenho na Rejeição de $\alpha$: Crucialmente, classificadores treinados apenas em dados $\gamma demonstraram forte capacidade de rejeitar eventos$\alpha.
   • MLP: Alcançou o melhor desempenho geral. Para a corrida HS (configuração TC2), resultou em um fator de rejeição de $\alpha > 2,71 \times 10^4$ (ao nível de confiança de 90%) enquanto mantinha alta eficiência de sinal.
   • PLK: Também eficaz, embora ligeiramente menos performático que o MLP em termos do limite inferior do fator de rejeição.
   • A/E: O método A/E tradicional mostrou rejeição de $\alpha significativamente mais fraca (fator$\sim 54$), com picos residuais de $\alpha permanecendo visíveis nos espectros.
3. Análise de Forma de Onda: O estudo observou que eventos $\alpha geralmente se agrupam em pontuações de MLP mais baixas do que a faixa de sinal. No entanto, um agrupamento secundário de eventos$\alpha (aproximadamente 1% do total) apareceu mais próximo da faixa de sinal, provavelmente devido a eventos ocorrendo perto das bordas do contato. Apesar disso, o valor de corte ótimo maximizou o Fator de Mérito (FoM) enquanto suprimia a vasta maioria dos eventos $\alpha.

Significado e Alegações
O artigo afirma que uma discriminação de forma de pulso robusta para detectores HPGe pode ser alcançada usando informações de treinamento derivadas **exclusivamente de eventos $\gamma**. Esta descoberta é significativa porque oferece uma estratégia prática para experimentos de próxima geração de$0\nu\beta\beta (como o LEGEND), onde dados de treinamento dedicados para $\alpha estão indisponíveis devido à raridade de tais eventos.

Os autores concluem que:

• Não é necessário desenvolver classificadores separados e dedicados para rejeição de $\alpha.
• Um único corte PSD, otimizado em dados $\gamma, pode simultaneamente suprimir fundos de raios$\gamma de múltiplos sítios e fundos de $\alpha de superfície com alta eficiência.
• A abordagem MLP é superior tanto ao PLK quanto ao método A/E tradicional para essa rejeição de dupla finalidade.

O estudo reconhece limitações, incluindo as condições de medição em nível de superfície (fundo de múons mais alto) e a configuração específica do detector (substituição de JFET entre campanhas). Os autores sugerem que repetir o experimento subterrâneo reduziria ainda mais o fundo, potencialmente permitindo um fator de rejeição de $\alpha na ordem de$10^5$.