WavePID: Low-energy flavor identification using single-PMT time series in IceCube

Resumo Técnico: WavePID: Identificação de sabor de baixa energia usando séries temporais de PMT único no IceCube

Definição do Problema
O Observatório de Neutrinos IceCube depende da morfologia dos eventos para distinguir entre sabores de neutrinos (tracks vs. cascades). No entanto, no regime de baixa energia de 5–100 GeV, particularmente dentro do sub-arranjo DeepCore, os eventos frequentemente exibem detecção de fótons esparsa (especificamente $10 \le n_{hit} < 20$). Neste regime, o padrão de luz fornece restrições fracas sobre a morfologia do evento, limitando o poder de separação de redes neurais de grafos (GNNs) de última geração como a DynEdge. Embora as GNNs utilizem informações brutas por pulso (posição, tempo, carga), elas normalizam os carimbos de tempo (timestamps) para a duração do evento na escala de microssegundos, o que pode comprimir a estrutura crítica de tempo na escala de nanossegundos que distingue tracks de múons de cascades eletromagnéticas. O artigo aborda o desafio de saber se a informação de tempo na escala de nanossegundos em Módulos Digitais Ópticos (DOMs) individuais carrega informação de identificação de sabor que é complementar aos classificadores baseados em morfologia existentes.

Metodologia
Os autores introduzem o WavePID, um classificador compacto baseado em templates de razão de log-verossimilhança, projetado para explorar o tempo na escala de nanossegundos em cada DOM individual. A metodologia procede em três estágios:

1. Motivação da Microfísica (Simulação Geant4): Utilizando o framework Geant4 e o modelo IceCube OMSim, os autores simularam distribuições de tempo de chegada de fótons (PATDs) para múons e elétrons de 5–100 GeV no gelo. Eles descobriram que tracks de múons produzem uma frente de Cherenkov direta e aguda, resultando em uma PATD de subida rápida dominada pela emissão da partícula primária. Por outro lado, cascades eletromagnéticas (elétrons) produzem luz via secundários de Bremsstrahlung ao longo de vários nanossegundos, resultando em uma PATD mais larga. Essa diferença é mais pronunciada nos primeiros $\sim10$ ns após a chegada do primeiro fóton.
2. Construção de Observáveis: O WavePID opera em pulsos ATWD reconstruídos de cada DOM individual. Para cada DOM $n$, ele constrói um vetor de características $\mathbf{x}_n$ composto por três observáveis motivadas pela física:
   • $r_n$: A distância do DOM ao vértice de interação reconstruído.
   • $\xi^t_n$: A fração de carga precoce, definida como a fração da carga total que chega dentro dos primeiros $t$ nanossegundos (especificamente $t=14$ ns) após o primeiro pulso.
   • $\Delta t_n$: O tempo do primeiro pulso no DOM em relação ao pulso mais precoce em qualquer DOM no evento.
3. Algoritmo de Classificação: O espaço de características é discretizado em bins 3D. O algoritmo constrói templates de apenas forma (funções de massa de probabilidade) para as hipóteses de "track" e "cascade" usando simulações de Monte Carlo (MC) rotuladas. A estatística de teste (TS) é uma razão de log-verossimilhança em bins:
   $$TS_e = \log \frac{\mathcal{L}_{cascade}}{\mathcal{L}_{track}} = \sum_{i,j,k} H^e_{ijk} \log \frac{\lambda^{cascade}_{ijk}}{\lambda^{track}_{ijk}}$$
   onde $H^e_{ijk}$ é a ocupação observada de DOMs em um bin específico para o evento $e$, e $\lambda$ representa as probabilidades dos templates.

Principais Resultados
O desempenho do WavePID foi avaliado em conjuntos de Monte Carlo do IceCube DeepCore representando as principais incertezas do detector e do modelo de gelo (31 variações sistemáticas). O estudo focou em uma amostra enriquecida em cascades (selecionada por um score DynEdge $\le 0.4$) com multiplicidades de hits entre 10 e 20.

• Melhoria de Desempenho: No regime de hits esparsos ($10 \le n_{hit} < 20$), o WavePID alcançou uma Área Sob a Curva (AUC) superior de 0.571 comparado a 0.542 para a DynEdge sozinha dentro da mesma amostra pré-selecionada. Isso demonstra que a estrutura de pulso de tempo precoce codifica informação de sabor não capturada pela GNN.
• Ganho de Pureza: A aplicação de um limiar ao estatístico de teste do WavePID aumentou a pureza das cascades. Em um ponto de operação que retém 20% das cascades, a pureza aumentou de uma linha de base de 0.66 (apenas DynEdge) para 0.75. Esse ganho de $+7\% \pm 1\%$ permaneceu estável através de todos os 31 conjuntos sistemáticos do detector, indicando robustez às incertezas em eficiência de DOM, gelo de furo (hole ice) e propriedades ópticas do gelo bulk.
• Sistemáticas: O poder de separação permaneceu estável através das variações nos parâmetros do detector, confirmando que o sinal é impulsionado por diferenças físicas de tempo e não por artefatos instrumentais.

Significância e Alegações
O artigo afirma que o WavePID demonstra a viabilidade do uso de tempo de PMT único na escala de nanossegundos como um observável motivado por princípios fundamentais para a identificação de sabor em telescópios de neutrinos. Os autores enfatizam que este é, tanto quanto é de seu conhecimento, o primeiro uso explícito de tempo de nanossegundos de um único DOM para identificação de partículas em um telescópio de neutrinos.

A significância reside na complementaridade do método: o WavePID não substitui os classificadores baseados em morfologia, mas adiciona uma nova dimensão de informação. A discriminação está concentrada no regime onde a frente de Cherenkov líder da lépton primária é resolvida pelo tempo de pulso por cada DOM, uma característica que os classificadores existentes podem perder devido à normalização temporal.

Os autores concluem que estes resultados motivam a exploração do tempo de grão fino por módulo em futuros classificadores de baixa energia e no design de próximos telescópios de neutrinos (como o IceCube-Gen2, KM3NeT/ORCA e outros) que utilizam módulos ópticos multi-PMT ou híbridos com resolução de tempo aprimorada. O artigo observa que a configuração específica apresentada é uma implementação de linha de base, e que a escolha ótima de observáveis e binagem depende de objetivos físicos específicos. A aplicação a dados reais do IceCube e a quantificação do impacto físico são reservadas para estudos dedicados futuros.