Please use this identifier to cite or link to this item: http://hdl.handle.net/10316/95274
Title: Sensitivity to the 0νββ decay of 136Xe and development of Machine Learning tools for pulse classification for the LUX-ZEPLIN experiment
Authors: Braz, Paulo Alexandre Brinca da Costa
Orientador: Neves, Francisco Filipe Bento
Lindote, Alexandre Miguel Ferreira
Maneira, José Carvalho
Keywords: Dark Matter; LZ; Neutrinoless Double Beta Decay; Xenon; Data Processing; Machine Learning; Matéria escura; Decaimento beta duplo sem emissão de neutrinos; Processamento de dados; LZ; Xénon; Machine Learning
Issue Date: 24-Feb-2021
Project: PD/BD/114114/2015 
PTDC/FISNUC/1525/2014 
POCI/01-0145-FEDER-029147 
PTDC/FIS-PAR/29147/2017 
CERN/FIS-INS/0025/2017 
Place of publication or event: Coimbra
Abstract: An elusive form of matter that does not interact via electromagnetic or strong forces permeates the known Universe, and is therefore designated as "dark". This dark matter (DM) is responsible for the evolution of cosmic structures, the cohesion of galaxies and galaxy clusters, and represents around a quarter of the total content of the Universe. Several state-of-the-art experiments are currently searching for dark matter in the form of weakly interacting massive particles (WIMPs), using ultra-low background "observatories" where one of these particles could interact with a material target and produce a readable signature. The LZ experiment is a 10 tonne dark matter detector expected to begin operations in early 2021, that aims to surpass the current world-leading limit on the WIMP-nucleon interaction cross section by more than one order of magnitude. The design of LZ features a dual-phase xenon time projection chamber (TPC) and two additional instrumented veto detectors encompassing the TPC for improved background reduction and active shielding. The projected sensitivity of LZ to the spin-independent WIMP-nucleon scattering cross-section is 1.4×10^{-48} cm^2 for a 40 GeV/c^2 mass WIMP. LZ has the potential to study and discover a wide range of new physics. The inner portions of the TPC of LZ will be one of the most "quiet" environments where rare event searches can be performed. The ultra-low background required for dark matter searches allows LZ to be potentially sensitive to other rare events such as neutrinoless double beta decay of some xenon isotopes, axion interactions or coherent neutrino-nucleus scattering, all of which were not yet observed. The projected sensitivity of LZ to the half-life of the neutrinoless double beta decay of 136Xe is presented in this document. For an exposure of 1360 kg·year, a sensitivity to the half-life of 1.06×10^{26} years with a 90% confidence level is obtained. The projected sensitivity to this same decay from a dedicated run with a 90% 136Xe enriched target and an exposure of 13.8 tonne·year is 1.06×10^{27} years. The development of pulse classification tools for the data processing framework of LZ (LZap) is also presented in this document. These tools represent the groundwork for pulse classification in LZ, both in the form of dedicated heuristics algorithms and machine learning implementations. The Heuristics Algorithm for Discrimination of Event Substructures (HADES) developed in the context of this work is currently the default pulse classification tool in LZap, and provides a measured overall classification accuracy of 98.58% across all pulse topologies in LZ simulated data. The RFClassifier and the TriNet pulse classification tools are two machine learning implementations that use a random forest model and an ensemble of artificial neural networks, respectively, that are aimed at assisting HADES and potentially replacing it in LZap. The RFClassifier algorithm achieved a classification accuracy of 99.37% over LZ simulated data when combined with a powerful clustering analysis using Gaussian mixture models (GMMs). The TriNet algorithm was trained using the results from HADES and achieved a classification accuracy of 95.56% against the GMM clustering results, but demonstrated that it could generalize its results beyond HADES.
Uma forma de matéria que não interage através das forças eletromagnética e forte, por isso designada por matéria "escura", permeia o universo visível. Esta matéria escura (ME) representa cerca de um quarto do conteúdo total do universo e é responsável pela evolução das estruturas cósmicas e pela coesão das galáxias e dos aglomerados de galáxias. Várias experiências de ponta procuram pela matéria escura na forma de WIMPs (weakly interacting massive particles na sigla inglesa), usando "observatórios" com fundos radiogénicos e cosmogénicos extremamente reduzidos onde uma destas partículas pode interagir com um material alvo e produzir um sinal mensurável. A experiência LZ é um detetor de matéria escura com 10 toneladas que deverá iniciar operações no início de 2021 e cujo principal objetivo é melhorar o atual limite de exclusão da secção eficaz de interação WIMP-nucleão por mais de uma ordem de grandeza. LZ é composto por uma câmara de projeção temporal (TPC) de duas fases de xénon e por dois detetores adicionais que envolvem a TPC e são usados como vetos, a fim de reduzirem ativamente sinais indesejados (fundos) da experiência. A sensibilidade estimada de LZ à secção eficaz da interação WIMP-nucleão independente de spin é de 1.4×10^{-48} cm^2 para uma WIMP de 40 GeV/c^2 de massa. Para além da matéria escura, LZ tem o potencial de estudar, e talvez descobrir, uma grande variedade de novos processos físicos raros. A região mais interna da TPC de LZ será um dos ambientes mais "calmos" onde o estudo destes processos raros é possível. Os fundos extremamente baixos de LZ permitem-lhe ter uma boa sensibilidade a processos raros nunca observados como o decaimento beta duplo sem emissão de neutrinos de alguns isótopos de xénon, interações de axiões ou dispersão elástica coerente neutrino-núcleo. A sensibilidade de LZ à meia-vida do decaimento beta duplo sem emissão de neutrinos do 136Xe é apresentada neste documento. Para uma exposição de 1360 kg·ano, a sensibilidade estimada é de 1.06×10^{26} anos com um intervalo de confiança de 90%. A sensibilidade estimada para um run dedicado subsequente, com enriquecimento isotópico de 90% de 136Xe e exposição de 13.8 toneladas·ano é de 1.06×10^{27} anos. O desenvolvimento de ferramentas de classificação de sinais para a cadeia de processamento de dados de LZ (LZap) é também apresentado neste documento. Estas ferramentas representam a base para classificação de sinais em LZ, tanto na forma de algoritmos heurísticos dedicados como implementações de Machine Learning. O HADES (Heuristics Algorithm for Discrimination of Event Substructures na sigla inglesa), desenvolvido no contexto deste trabalho, é atualmente a principal ferramenta de classificação de sinais em LZap e consegue uma exatidão global de 98.58% para todas as topologias de sinais presentes nos dados de simulação de LZ. As ferramentas de classificação RFClassifier e TriNet são duas implementações de Machine Learning que usam, respectivamente, um modelo de random forests e um ensemble de redes neuronais para auxiliar o desenvolvimento do HADES e potencialmente substitui-lo na cadeia de LZap. O algoritmo RFClassifier consegue uma exatidão de classificação de 99.37% sobre os dados simulados de LZ quando combinado com Gaussian mixture models (GMMs), uma técnica de clustering poderosa. O algoritmo TriNet foi treinado usando os resultados obtidos pelo HADES e consegue uma exatidão de classificação de 95.56% comparando com resultados do clustering com GMM, mas demonstrou que consegue generalizar os seus resultados para além do HADES.
Description: Tese no âmbito do Doutoramento em Física, Astrofísica, apresentada ao Departamento de Física da Faculdade de Ciências e Tecnologia da Universidade de Coimbra.
URI: http://hdl.handle.net/10316/95274
Rights: openAccess
Appears in Collections:FCTUC Física - Teses de Doutoramento
UC - Teses de Doutoramento

Files in This Item:
File Description SizeFormat
2020_PBras_PhDThesis_v2.pdf28.03 MBAdobe PDFView/Open
Show full item record

Page view(s)

9
checked on Jul 23, 2021

Download(s)

8
checked on Jul 23, 2021

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons