CUORE Data Release for ML Applications: Pulse Shape Analysis Dataset

技术摘要：用于机器学习应用的 CUORE 数据发布

问题陈述
CUORE（低温地下稀有事件观测器）实验旨在寻找 $^{130}\text{Te}$ 的无中微子双贝塔（$0\nu\beta\beta$）衰变。该搜索过程中的一个重要背景来源是“堆叠”（pile-up）事件，即在单个晶体热量计的 10 秒事件窗口内，两个或多个独立的粒子相互作用沉积了能量。这些堆叠事件可能会模拟出单粒子事件的能量特征，或扭曲接近预期衰变峰值（$Q_{\beta\beta}$）处的背景。虽然该合作组已经建立了基于物理的方法来识别这些事件，但目前对于开发和基准测试用于低温热量计脉冲形状分析与分类的人工智能和机器学习（AI/ML）算法的开放科学数据集，需求正日益增长。

方法论与数据集构建
本文展示了一个从 CUORE 校准数据中提取的精选公开数据集，专门用于支持脉冲分类的有监督学习方法。该数据集解决了区分以下两类情况的二元分类问题：

• 类别 0（洁净脉冲）： 在 10 秒窗口内表现出标准热脉冲形状的单脉冲事件。
• 类别 1（堆叠脉冲）： 在同一窗口内包含两个或更多脉冲的事件，这些脉冲可能在时间上分离且具有不同的振幅。

数据规范：

• 来源： 988 个在约 $\sim10$ mK 下运行的 $\text{TeO}_2$ 晶体热量计。
• 格式： 包含 10,000 个总事件（5,000 个洁净脉冲，5,000 个堆叠脉冲）的 HDF5 文件。
• 波形结构： 每个事件是一个长度为 10,000、采样率为 1 kHz 的一维时间序列数组。窗口的定义使得触发脉冲上升的中点位于索引 3000 附近，从而提供约 $\sim3$ 秒的触发前基线。
• 标记（Labeling）： 标签基于标记的脉冲数量（$n_{\text{pulses}}$）以及来自 CUORE 2 吨·年脉冲形状判别剪切的归一化重构误差（$n_{\text{rei}}$）。如果 $n_{\text{pulses}}=1$ 且 $|n_{\text{rei}}| < 10$，则分配标签 0；如果 $n_{\text{pulses}} > 1$ 且 $|n_{\text{rei}}| > 10$，则分配标签 1。
• 归一化： 为了便于 AI/ML 预处理，每个事件都包含用于归一化的元数据：偏移量（前 2,500 个样本的平均值）、最大值和缩放因子。论文提供了 Python 脚本，演示如何构建归一化波形 $\tilde{p}_i(t)$ 并将其裁剪至 $[0, 1]$ 范围。

核心贡献

1. 公开数据集发布： 合作组通过 Zenodo（DOI: 10.5281/zenodo.20721645）发布了其数据集的一个子集，采用 HDF5 格式，分为 90% 的训练集和 10% 的测试集。
2. 标准化基准测试： 本文提出了一个特定的脉冲分类挑战。邀请参与者对留出的测试集（标签已隐藏）进行预测，并根据以下指标进行评估：
   • 受试者工作特征曲线下面积（AUC-ROC）。
   • 分类准确率（Classification Accuracy）。
   • 在固定真阳性率（TPR）为 90% 时的假阳性率（FPR），这是一个对于需要受控信号效率的物理分析而言相关的指标。
3. 可复现性： 作者提供了使用 h5py 和 numpy 加载、归一化及格式化数据以作为 Conv1D 神经网络输入的极简 Python 示例。

结果与声明
本文并未展示作者训练的特定机器学习模型的结果，也没有声称取得了新的分类准确率记录。相反，所呈现的“结果”是数据集本身的成功策划与发布。作者声称，通过将高质量的时间序列低温数据与理解明确的基于物理的标签相结合，此次发布为 AI/ML 社区提供了一个“优秀的资源”。

意义
这项工作的意义在于促进了开放科学以及分析技术的进步。通过提供具有清晰二元标签（洁净 vs 堆叠）的标准数据集，CUORE 合作组能够支持用于脉冲形状分析的有监督学习算法的测试与开发。这支持了提高 $0\nu\beta\beta$ 衰变搜索中背景抑制能力的更广泛目标，以及其他涉及低温热量计的应用。作者明确要求，在使用此数据产生的任何出版物中，请引用相关的 CUORE 物理结果（参考文献 [4]）以及这篇特定的 arXiv 论文。