⚛️ nuclear experiments

Pulse-shape discrimination with machine learning for CZT detectors at the DA $Φ$ NE beam test facility

Este estudo demonstra que um método de discriminação de forma de pulso baseado em aprendizado de máquina utilizando um classificador XGBoost pode distinguir efetivamente sinais de fótons nominais de eventos anômalos em detectores CZT sob condições de alto fluxo na instalação DA $\Phi$ NE, melhorando significamente o desempenho da espectroscopia com alta precisão e dados de treinamento mínimos.

Autores originais: Simone Manti, Francesco Artibani, Leonardo Abbene, Massimiliano Bazzi, Manuele Bettelli, Giacomo Borghi, Damir Bosnar, Mario Bragadireanu, Antonino Buttacavoli, Mario Carminati, Alberto Clozza, France

Publicado 2026-09-23

📖 4 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Simone Manti, Francesco Artibani, Leonardo Abbene, Massimiliano Bazzi, Manuele Bettelli, Giacomo Borghi, Damir Bosnar, Mario Bragadireanu, Antonino Buttacavoli, Mario Carminati, Alberto Clozza, Francesco Clozza, Luca De Paolis, Raffaele Del Grande, Kamil Dulski, Carlo Fiorini, Ivica Friščić, Gaetano Gerardi, Carlo Guaraldo, Mihai Iliescu, Masa Iwasaki, Alexander Khreptak, Johan Marton, Pawel Moskal, Hiroaki Ohnishi, Kristian Piscicchia, Fabio Principato, Alessandro Scordo, Francesco Sgaramella, Michał Silarski, Diana Sirghi, Florin Sirghi, Magdalena Skurzok, Antonio Spallone, Kairo Toho, Oton Vazquez Doce, Andrea Zappettini, Johann Zmeskal, Catalina Curceanu

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo da física nuclear e de partículas, os cientistas frequentemente precisam ouvir o universo detectando minúsculos flashes de luz ou energia liberados quando os átomos interagem. Para fazer isso, eles usam detectores que atuam como ouvidos altamente sensíveis, capturando sinais de raios X e raios gama. Durante décadas, um tipo específico de detector feito de um cristal chamado telureto de cádmio e zinco tem sido valorizado porque pode funcionar à temperatura ambiente sem a necessidade de sistemas de resfriamento volumosos e caros. Esses detectores são excelentes para medir a energia das partículas que chegam, o que permite aos pesquisadores identificar exatamente que tipo de átomos estão presentes. No entanto, esses detectores enfrentam um desafio significativo quando colocados próximos a aceleradores de partículas poderosos. O ambiente intenso cria um fundo caótico de ruído e sinais falsos que podem abafar as mensagens tênues e importantes que os cientistas estão tentando ouvir. Os sinais de eventos indesejados muitas vezes se parecem muito com os reais, tornando difícil distingui-los usando métodos padrão.

Uma equipe de pesquisadores recentemente abordou esse problema ensinando um computador a ouvir mais atentamente o formato dos sinais, em vez de apenas sua intensidade. Eles montaram um teste em uma instalação na Itália, onde um feixe de elétrons foi disparado contra um alvo de chumbo. Essa colisão produziu uma mistura de raios X úteis provenientes dos átomos de chumbo e um fundo desordenado de outras partículas e surtos de energia. Os pesquisadores registraram as ondas elétricas geradas por um detector colocado próximo ao alvo. Eles notaram que as ondas vindas dos raios X desejados tinham um formato suave e previsível, subindo de forma constante até um pico e depois estabilizando-se. Em contraste, as ondas vindas do ruído de fundo eram irregulares, serrilhadas ou continham múltiplos picos, muitas vezes causadas por partículas atingindo o detector ao mesmo tempo ou por falhas eletrônicas.

Para separar os bons sinais dos ruins, a equipe utilizou uma ferramenta de aprendizado de máquina chamada XGBoost, que é um tipo de algoritmo projetado para encontrar padrões em dados complexos. Eles primeiro mostraram ao computador milhares de exemplos dessas ondas, rotulando-as manualmente como "normais" (os raios X bons) ou "anômalas" (o ruído). O computador aprendeu a procurar por detalhes específicos no formato da onda, como a rapidez com que ela subia, quantos picos possuía e como a energia estava espalhada ao longo do tempo. Após o treinamento com apenas algumas centenas de exemplos, o computador tornou-se muito bom na tarefa, alcançando eventualmente uma precisão de quase 97 por cento ao ser testado em novos dados. Ele aprendeu a ignorar as ondas desordenadas e de múltiplos picos, mantendo as ondas limpas de um único pico que continham a informação científica.

Quando os pesquisadores aplicaram este modelo de computador treinado a um conjunto massivo de dados de mais de 700.000 eventos registrados, os resultados foram impressionantes. O modelo filtrou com sucesso quase metade do total de dados, removendo a vasta maioria do ruído de fundo. O que restou foi uma imagem muito mais limpa do espectro de energia. As linhas características dos raios X do chumbo, que são o objetivo principal do experimento, permaneceram brilhantes e claras. Até mesmo o sinal distinto da aniquilação elétron-pósitron, um evento específico que ocorre em um nível de energia mais alto, tornou-se muito mais fácil de visualizar contra o fundo reduzido. Os picos duplos e triplos causados por partículas atingindo o detector simultaneamente foram quase totalmente removidos, provando que o computador aprendeu a reconhecer as assinaturas complexas desses eventos indesejados.

Este trabalho demonstra que o aprendizado de máquina pode atuar como um filtro poderoso para detectores operando nos ambientes severos de aceleradores de partículas. Ao focar no formato detalhado dos sinais elétricos, os cientistas agora podem recuperar dados claros de experimentos que, de outra forma, seriam obscurecidos pelo ruído. O estudo sugere que, com apenas uma pequena quantidade de orientação humana inicial, esses modelos de computador podem ser treinados para melhorar significativamente a qualidade da espectroscopia. Embora os pesquisadores observem que testes adicionais são necessários para garantir que o método funcione em diferentes condições e configurações de detectores, os resultados fornecem uma prova de conceito robusta. Eles mostram que o futuro das medições de alta precisão em ambientes de aceleradores lotados pode depender menos da construção de um hardware melhor e mais de ensinar o software a compreender a linguagem sutil das interações de partículas.

Resumo Técnico: Discriminação de Forma de Pulso com Aprendizado de Máquina para Detectores de CZT na Instalação de Teste de Feixe DAΦNE

Definição do Problema
Detectores de telureto de cádmio-zinco (CZT) são valorizados pela espectroscopia de raios X e gama em temperatura ambiente devido ao seu alto poder de parada e compacidade. No entanto, sua aplicação em ambientes de aceleradores de alto fluxo, como o colisor DAΦNE, é limitada por fundos eletromagnéticos intensos. Nesses cenários, os dados registrados frequentemente contêm não apenas interações de fótons únicos, mas também eventos de acúmulo (pile-up), múltiplas deposições de energia, interações de partículas carregadas e artefatos eletrônicos. Essas contribuições de fundo frequentemente se sobrepõem em energia aos sinais de interesse, tornando a rejeição baseada apenas em energia ineficaz. O desafio é distinguir pulsos "normais" do tipo fóton de eventos "anômalos" usando a informação contida na morfologia da forma de onda, que não é totalmente capturada apenas pela amplitude do pulso reconstruída.

Metodologia
O estudo utilizou dados coletados na Instalação de Teste de Feixe (BTF) do DAΦNE usando um feixe de elétrons de 300 MeV que incide sobre um alvo de chumbo de 1 mm de espessura. Esta configuração gerou raios X característicos de Pb (Lα, Kα, Kβ) juntamente com um contínuo de fundo amplo que se estende até o pico de aniquilação elétron-pósitron de 511 keV. O sistema de detecção compreendeu um cristal de CZT quase hemisférico (10 × 10 × 5 mm³) acoplado a um digitalizador CAEN VX2740 (125 MS/s, 16 bits).

A metodologia central envolveu uma Análise de Forma de Pulso (PSA) baseada em características, aprimorada por aprendizado de máquina:

Extração de Características: De formas de onda de 656 amostras (janela de aprox. 5 µs), um conjunto de 25 características fisicamente motivadas foi extraído. Estas quantificaram o desenvolvimento temporal, a amplitude e a regularidade. Três características representativas foram destacadas:
- Tempo de Subida (Rise Time): Calculado como $t_{90} - t_{10}$ .
- Número de Picos: Contagem na primeira derivada da forma de onda (após filtragem de mediana).
- DOIRMS: Um proxy de largura temporal normalizado definido como $\sigma_t / (t_{90} - t_{10})$ , caracterizando a dispersão da carga coletada em relação ao tempo de subida.
Rotulagem e Treinamento: Um subconjunto de 10.000 eventos foi rotulado manualmente como "normal" ou "anômalo" com base nos critérios de contagem de picos da derivada e tempo de subida, seguido de inspeção visual para corrigir erros.
Classificação: Um classificador XGBoost (300 árvores de decisão impulsionadas) foi treinado em 80% dos dados rotulados e validado nos 20% restantes. O modelo visava maximizar o F1-score.

Principais Resultados

Desempenho de Classificação: O classificador XGBoost alcançou uma Área Sob a Curva (AUC) de 0,996 e uma acurácia de 96,8% no conjunto de teste. Isso superou significativamente uma abordagem de limiar de característica única usando apenas o DOIRMS (AUC 0,85), demonstrando o valor da correlação multivariada.
Eficiência de Dados: O estudo descobriu que a acurácia da classificação saturou próximo a 97% usando vários milhares de exemplos rotulados, mas um nível substancial de desempenho (aprox. 93%) foi alcançado com apenas algumas centenas de eventos rotulados.
Impacto Espectral: O modelo treinado foi aplicado a 790.700 eventos, retendo 48,2% do conjunto de dados. A seleção resultou em:
- Uma redução substancial do contínuo espectral em toda a faixa de energia.
- Uma supressão forte de estruturas de coincidência dupla e tripla (aprox. 150 e 220 keV), consistente com a rejeição de formas de onda de pile-up e de múltiplos passos.
- Preservação das linhas características de raios X de Pb (Lα, Kα, Kβ) e do pico de aniquilação de 511 keV, levando a uma melhoria na razão sinal-ruído.

Significância e Alegações
O artigo apresenta uma prova de conceito preliminar para o uso de discriminação de forma de pulso assistida por aprendizado de máquina para melhorar a espectroscopia de CZT em ambientes de aceleradores. Os autores alegam que:

Viabilidade: Uma estratégia de supressão de fundo baseada em morfologia de forma de onda e interpretável é viável para detectores de CZT em condições de alto fundo.
Eficiência: Uma alta acurácia de classificação pode ser alcançada com um número relativamente pequeno de exemplos de treinamento rotulados manualmente (algumas centenas), reduzindo o ônus da anotação.
Utilidade: O método suprime efetivamente o contínuo de fundo e eventos de pile-up enquanto preserva características espectrais críticas, abordando uma limitação fundamental para futuros projetos de medições de precisão, como EXKALIBUR e SIDDHARTA-2.

Os autores mantêm um tom modesto, observando que as métricas de classificação refletem a concordância com rótulos baseados em morfologia, em vez de topologias de interação verificadas independentemente. Eles identificam a necessidade de validação adicional em diferentes condições de feixe e configurações de detectores para estabelecer a generalização. O trabalho futuro sugerido pelos autores inclui a exploração de Redes Neurais Convolucionais (CNNs) unidimensionais para análise direta de formas de onda, a integração desses métodos em sistemas de Aquisição de Dados (DAQ) para rejeição de eventos online e o uso de simulações de Monte Carlo para gerar rótulos de treinamento fisicamente motivados.

Mais como este