CUORE Data Release for ML Applications: Pulse Shape Analysis Dataset

Resumo Técnico: Lançamento de Dados do CUORE para Aplicações de ML

Definição do Problema
O experimento CUORE (Cryogenic Underground Observatory for Rare Events) busca o decaimento de dupla beta sem neutrinos ($0\nu\beta\beta$) do $^{130}\text{Te}$. Uma fonte significativa de fundo nesta busca surge de eventos de "pile-up", onde dois ou mais eventos de partículas separadas depositam energia dentro da mesma janela de 10 segundos de um único calorímetro de cristal. Esses eventos de pile-up podem imitar a assinatura de energia de um evento de partícula única ou distorcer o fundo próximo ao pico esperado de decaimento ($Q_{\beta\beta}$). Embora a colaboração tenha estabelecido métodos baseados em física para identificar esses eventos, há uma demanda crescente por conjuntos de dados científicos abertos para desenvolver e testar algoritmos de Inteligência Artificial e Aprendizado de Máquina (IA/ML) para análise de forma de pulso e classificação em calorimetria criogênica.

Metodologia e Construção do Conjunto de Dados
Este artigo apresenta um conjunto de dados curado derivado dos dados de calibração do CUORE, projetado especificamente para suportar abordagens de aprendizado supervisionado para classificação de pulsos. O conjunto de dados aborda o problema de classificação binária de distinguir entre:

• Classe 0 (Pulsos Limpos): Eventos de pulso único que exibem a forma de pulso térmica padrão dentro de uma janela de 10 segundos.
• Classe 1 (Pulsos de Pile-up): Eventos contendo dois ou mais pulsos dentro da mesma janela, que podem estar separados no tempo e possuir amplitudes variadas.

Especificações dos Dados:

• Fonte: 988 calorímetros de cristais de $\text{TeO}_2$ operados a $\sim10$ mK.
• Formato: Arquivos HDF5 contendo 10.000 eventos totais (5.000 limpos, 5.000 de pile-up).
• Estrutura da Forma de Onda: Cada evento é uma matriz de série temporal unidimensional de comprimento 10.000, amostrada a 1 kHz. A janela é definida de tal forma que o ponto médio de subida do pulso disparado ocorre próximo ao índice 3000, fornecendo $\sim3$ segundos de linha de base pré-gatilho.
• Rotulagem: Os rótulos são derivados do número de pulsos identificados ($n_{\text{pulses}}$) e do Erro de Reconstrução Normalizado ($n_{\text{rei}}$) do corte de discriminação de forma de pulso do CUORE de 2 toneladas$\cdot$ano. Um rótulo de 0 é atribuído se $n_{\text{pulses}}=1$ e $|n_{\text{rei}}| < 10$; um rótulo de 1 é atribuído se $n_{\text{pulses}} > 1$ e $|n_{\text{rei}}| > 10$.
• Normalização: Para facilitar o pré-processamento de IA/ML, cada evento inclui metadados para normalização: um offset (média dos primeiros 2.500 exemplos), um valor máximo e um fator de escala. O artigo fornece scripts em Python demonstrando como construir formas de onda normalizadas $\tilde{p}_i(t)$ e limitá-las a uma faixa de $[0, 1]$.

Principais Contribuições

1. Lançamento de Conjunto de Dados Público: A colaboração lançou um subconjunto de seus dados via Zenodo (DOI: 10.5281/zenodo.20721645) em formato HDF5, dividido em 90% para treinamento e 10% para teste.
2. Benchmarking Padronizado: O artigo propõe um desafio específico de classificação de pulsos. Os participantes são convidados a enviar previsões sobre o conjunto de teste retido (onde os rótulos são ocultados) para serem avaliados em:
   • Área Sob a Curva Característica de Operação do Receptor (AUC-ROC).
   • Acurácia de Classificação.
   • Taxa de Falso Positivo (FPR) em uma Taxa de Verdadeiro Positivo (TPR) fixa de 90%, uma métrica relevante para análises de física que exigem eficiência de sinal controlada.
3. Reprodutibilidade: Os autores fornecem exemplos mínimos em Python usando h5py e numpy para carregar, normalizar e formatar os dados para entradas de redes neurais Conv1D.

Resultos e Alegações
O artigo não apresenta os resultados de um modelo de aprendizado de máquina específico treinado pelos autores, nem reivindica um novo recorde em acurácia de classificação. Em vez disso, os "resultados" apresentados são a curadoria e o lançamento bem-sucedidos do próprio conjunto de dados. Os autores afirmam que este lançamento serve como um "excelente recurso" para a comunidade de IA/ML ao combinar dados criogênicos de séries temporais de alta qualidade com rótulos baseados em física bem compreendidos.

Significância
A significância deste trabalho reside na facilitação da ciência aberta e no avanço das técnicas de análise para buscas de eventos raros. Ao fornecer um conjunto de dados padronizado com rótulos binários claros (limpo vs. pile-up), a Colaboração CUORE permite o teste e o desenvolvimento de algoritmos de aprendizado supervisionado para análise de forma de pulso. Isso apoia o objetivo mais amplo de melhorar a rejeição de fundo em buscas de decaimento $0\nu\beta\beta$ e outras aplicações envolvendo calorímetros criogênicos. Os autores solicitam explicitamente que os usuários citem os resultados de física relevantes do CUORE (Ref. [4]) e este artigo específico do arXiv em quaisquer publicações resultantes do uso destes dados.