Electromagnetic Shower Reconstruction and Identification in FASER's Emulsion Detector for LHC Forward Neutrino Measurements

Este artigo apresenta um framework validado para reconstruir e identificar chuvas eletromagnéticas no detector de emulsão FASERnu usando dados de feixe de teste do CERN, alcançando alta rejeição de fundo e reconstrução eficiente de energia para apoiar medições de neutrinos eletrônicos no LHC.

O essencial

Imagine o Grande Colisor de Hádrons (LHC) como uma rodovia de partículas de alta velocidade e escala massiva. A maior parte do tráfego consiste em caminhões pesados (prótons) colidindo uns com os outros, mas escondidos entre os escombros estão carros minúsculos e fantasmagóricos chamados neutrinos. Os neutrinos são tão tímidos e leves que geralmente passam direto pelas paredes dos detectores gigantes sem que ninguém perceba.

O experimento FASER é como um posto de pedágio especializado construído 480 metros adiante na estrada, projetado especificamente para capturar esses neutrinos fantasmagóricos enquanto eles passam voando. Dentro deste posto, reside um detector chamado FASERν, que é essencialmente um sanduíche gigante e de alta tecnologia feito de centenas de camadas finas de tungstênio (um metal pesado) e filme fotográfico (emulsão).

Quando um neutrino atinge o tungstênio, ele às vezes cria um elétron. Este elétron não viaja apenas em uma linha reta; ele atinge o metal e provoca uma reação em cadeia, criando uma "chuva" de partículas menores, muito parecido com um fogo de artifício explodindo ou uma bola de neve rolando ladeira abaixo e acumulando mais neve. Isso é chamado de Chuva Eletromagnética.

O problema? O detector também é inundado por múons (outro tipo de partícula) que parecem muito com essas chuvas de elétrons, mas são apenas linhas retas e entediantes. Os cientistas precisam encontrar os "fogos de artifício" (elétrons) em meio a uma nevasca de "linhas retas" (múons).

Aqui está como o artigo explica o novo método que desenvolveram, usando analogias simples:

1. A Estratégia do Detetive: Encontrando os "Fogos de Artifício"

Os cientistas construíram um "filtro" de três etapas para separar as chuvas de elétrons do fundo de múons.

• Etapa 1: O Filtro Grosso (Pré-seleção)
  Imagine que você está procurando um tipo específico de pássaro em uma floresta. Primeiro, você ignora qualquer coisa que seja muito pequena ou muito grande. Os cientistas fazem isso observando o quanto uma partícula "oscila" enquanto se move. Múons são como flechas retas; eles não oscilam muito. Elétrons, por estarem criando uma chuva, oscilam e se dispersam muito. Eles descartam as "flechas retas" imediatamente.

• Etapa 2: O Agrupamento Inteligente (Reconstrução)
  Uma vez que têm um candidato, eles precisam mapear a forma da chuva. Eles usam um algoritmo de computador chamado DBSCAN.

  • A Analogia: Imagine uma pista de dança lotada. Algumas pessoas estão dançando em um círculo apertado e energético (a chuva de elétrons), enquanto outras estão apenas caminhando pelas bordas (ruído de fundo). O algoritmo procura pelo "círculo denso" de dançarinos. Ele não precisa saber de antemão quantas pessoas há no círculo; ele apenas encontra o grupo onde as pessoas estão mais compactadas. Isso os ajuda a desenhar o caminho exato da chuva de elétrons, mesmo que os dados estejam bagunçados.

• Etapa 3: O Juiz Especialista (Identificação)
  Após mapear a chuva, eles precisam ter 100% de certeza de que não é um falso. Eles usam um "Juiz Inteligente" (uma ferramenta de aprendizado de máquina chamada BDT).

  • A Analogia: Pense nisso como um segurança de uma boate que verifica uma lista de 10 regras diferentes. A chuva é muito larga? É muito curta? Ela se espalha rápido demais? O "segurança" observa a forma do rastro da partícula. Se corresponder perfeitamente ao padrão de "fogo de artifício", ela entra. Se parecer uma "flecha reta", ela é expulsa.
  • O Resultado: Este sistema é incrivelmente bom em seu trabalho. Eles rejeitaram com sucesso 99,99% dos múons falsos em energias mais baixas e 99,94% em energias mais altas, enquanto ainda capturam cerca de 60% a 70% das chuvas de elétrons reais.

2. Medindo a Energia: Contando os Flocos de Neve

Depois de identificar uma chuva de elétrons real, eles precisam saber quanta energia ela tinha.

• A Analogia: Imagine que você está tentando adivinhar o tamanho de uma bola de neve antes de ela começar a rolar ladeira abaixo. Você não pode ver a bola de neve original, mas pode contar quantos flocos de neve ela coletou até parar.
• Neste experimento, os "flocos de neve" são os minúsculos rastros deixados pelas partículas no filme. Os cientistas simplesmente contam o número total de rastros na chuva. Quanto mais rastros, maior era a energia do elétron original.
• Eles descobriram que este método é muito preciso. A 100 GeV (uma unidade de energia específica), o palpite deles errou por menos de 1%. A 200 GeV, também errou por menos de 1%.

3. O Problema da "Névoa" (Incertezas Sistemáticas)

A maior fonte de erro não é a matemática ou o computador; é o próprio filme.

• A Analogia: Imagine tentar contar flocos de neve, mas às vezes a lente da câmera está levemente embaçada/nublada, e você perde alguns flocos. Se o filme estiver "nublado" (menos eficiente), você conta menos rastros e pensa que a energia era menor do que realmente era.
• O artigo admite que a maior incerteza vem de quão bem o filme captura os rastros. Dependendo de quão "nublado" o filme está, a medição de energia pode estar errada em cerca de 10%. Este é o ponto principal sobre o qual eles precisam ter cuidado.

Resumo

O artigo apresenta uma nova e altamente eficaz maneira de encontrar e medir neutrinos eletrônicos no detector FASER. Eles construíram uma "rede" digital que:

1. Filtra partículas de linha reta.
2. Usa agrupamento inteligente para encontrar as chuas de partículas "densas".
3. Usa uma IA treinada para verificar a forma.
4. Conta os rastros para medir a energia.

Este método permite que eles vejam os neutrinos "fantasmagóricos" claramente, mesmo quando estão escondidos em uma multidão massiva de outras partículas, abrindo caminho para melhores medições de como os neutrinos interagem no LHC.

Resumo técnico

Resumo Técnico: Reconstrução e Identificação de Chuva Eletromagnética no Detector de Emulsão do FASER

Definição do Problema
O experimento FASER$\nu$ no LHC visa estudar interações de neutrinos de alta energia, especificamente interações de corrente carregada (CC) de neutrinos eletrônicos ($\nu_e$), que produzem chuvas eletromagnéticas (EM). Um desafio primário neste ambiente é o intenso fundo de múons gerados pelo LHC, que superam os elétrons de sinal em ordens de magnitude (aproximadamente 1500 múons/cm² vs. 8 elétrons/cm² em condições de teste). Além disso, os métodos de reconstrução existentes para o detector de emulsão do FASER$\nu$ foram otimizados para energias acima de 200 GeV e exibiram limitações em energias mais baixas (dezenas de GeV), onde as chuvas produzem menos segmentos, tornando-as mais difíceis de distinguir do fundo. O artigo aborda a necessidade de um framework de reconstrução e identificação robusto e independente da energia, capaz de operar em toda a faixa de energia do FASER$\nu$ (de dezenas de GeV a múltiplos TeV), mantendo alta eficiência de sinal e rejeição extrema de fundo.

Metodologia
Os autores apresentam um pipeline de múltiplos estágios para reconstrução e identificação de chuvas EM, validado utilizando dados de feixe de teste de elétrons de 100 GeV e 200 GeV da linha de feixe H4 do CERN SPS.

1. Processamento de Dados e Pré-seleção:

   • Filmes de emulsão são escaneados para reconstruir trajetórias de partículas 3-D (base-tracks).
   • Um algoritmo de reconexão de trilhas funde trilhas fragmentadas.
   • Pré-seleção: As trilhas são filtradas com base na contagem de segmentos ($3 \le n_{seg} \le 30$ para 100 GeV; $3 \le n_{seg} \le 40$ para 200 GeV) e ângulo de espalhamento ($\theta_s \ge 2$ mrad). Isso remove trilhas fragmentadas e múons atravessantes, retendo aproximadamente 29% das trilhas originadas da primeira placa.

2. Reconstrução de Chuva (Agrupamento Adaptativo):

   • Eixo Inicial: Determinado pelo ajuste dos três primeiros segmentos das trilhas primárias.
   • Busca Cilíndrica: Um volume preliminar (raio de 100 $\mu$m, comprimento de 8 cm) é definido ao redor do eixo inicial.
   • Agrupamento DBSCAN: Um algoritmo adaptativo de Agrupamento Espacial Baseado em Densidade com Aplicações de Ruído (DBSCAN) é aplicado aos segmentos em cada placa. Crucialmente, os parâmetros do algoritmo não dependem da energia, mas adaptam-se à densidade local de segmentos:
     • Raio de vizinhança $\epsilon = 2.5 \times \text{mediana}(d_{NN})$, limitado entre 10–80 $\mu$m.
     • Tamanho mínimo de cluster $N_{min} = \max(2, \lfloor N_{seg}/4 \rfloor)$.
   • Refinamento do Eixo: Os centroides dos clusters selecionados passam por validação sequencial (rejeitando desvios $>60$ $\mu$m) e são ajustados usando regressão robusta de Huber para determinar o eixo final da chuva. Isso minimiza a influência de centroides espúrios.

3. Cadeia de Identificação:

   • ID Larga (Baseada em Cortes): Remove os fundos de múons volumosos que mimetizam chuvas usando variáveis como contagem máxima de segmentos por placa ($N_{max} \ge 4$), placa de início da chuva ($\le 20$) e dispersão angular ($\sigma_\theta \ge 4$ mrad).
   • ID Média (Baseada em BDT): Um classificador de Árvore de Decisão Potencializada (XGBoost) utiliza dez variáveis de forma de chuva projetadas para serem independentes de energia. Estas incluem:
     • Longitudinal: Razão de concentração, fração de núcleo, fração de pico, fração inicial, RMS longitudinal e assimetria.
     • Transversal/Agrupamento: Razão de alargamento, número médio de clusters e fração média do maior cluster.
     • Angular: RMS de dispersão angular ($\sigma_\theta$).
   • O classificador é treinado em MC de elétrons e fundos de múons identificados visualmente de dados de feixe de teste.

4. Reconstrução de Energia:

   • O número total de segmentos reconstruídos ($N_{total}$) serve como o estimador calorimétrico.
   • Curvas de calibração ($N_{total} = a(\epsilon) \cdot E + b(\epsilon)$) são derivadas de amostras de MC com variando eficiências de filme único para contabilizar vieses dependentes da eficiência.
   • Uma correção de ineficiência de "par próximo" é aplicada para o módulo de 200 GeV para considerar padrões de grãos sobrepostos em núcleos densos de chuva.

Resultados Principais

• Rejeição de Fundo: A cadeia de identificação combinada alcança taxas de rejeição de fundo de 99,99% a 100 GeV e 99,94% a 200 GeV. O classificador BDT atinge uma Área Sob a Curva (AUC) de 0,997.
• Eficiência de Sinal: Eficiências de reconstrução e identificação total são de 58,9% a 100 GeV e 70,8% a 200 GeV (avaliadas em MC).
• Resolução de Energia e Viés:
  • A 100 GeV: Viés relativo de +0,6%, resolução de 25,4%.
  • A 200 GeV: Viés relativo de −0,8%, resolução de 22,6%.
• Incertezas Sistemáticas: A incerteza sistemática dominante provém de variações na eficiência de detecção de filme único.
  • 100 GeV: $+10,9\% / -8,2\%$.
  • 200 GeV: $+10,3\% / -6,9\%$.
  • A contaminação de fundo contribui de forma insignificante ($\sim 0,1\%$).

Significância e Alegações
O artigo afirma fornecer um framework validado para a identificação de neutrinos eletrônicos para o detector FASER$\nu$. A principal significância reside no desenvolvimento de um algoritmo de reconstrução independente de energia que não requer ajuste para diferentes escalas de energia, permitindo sua aplicação em toda a ampla faixa de energia do FASER$\nu$. A metodologia demonstra com sucesso que amostras de alta pureza de neutrinos eletrônicos podem ser extraídas do intenso fundo de múons do LHC usando detectores de emulsão. Os autores afirmam que, uma vez validado no ambiente de alto fundo do LHC (com a devida máscara de trilhas de feixe), este método será implantado para medir as seções de choque de interações de corrente carregada de neutrinos eletrônicos e estudar a composição de sabor de neutrinos em energias de TeV. O trabalho representa uma melhoria em relação aos métodos anteriores otimizados apenas para energias mais altas, estendendo o alcance físico do experimento para regimes de energia mais baixos.