Please use this identifier to cite or link to this item: http://hdl.handle.net/10316/95528
Title: Exploration of Machine learning tecniques for discrimination of neutrinoless double beta decay of 136Xe
Other Titles: Exploração de técnicas de aprendizado de máquina para discriminação do decaimento beta duplo, sem neutrinos, do 136Xe
Authors: Solovov, Andrey Vladimirovitch
Orientador: Lindote, Alexandre Miguel Ferreira
Neves, Francisco Filipe Bento
Keywords: Decaimento Beta Duplo sem Neutrinos; Algoritmos de Auto-Aprendizagem; Procura de Eventos Raros; Classificação Binária; Discriminação de Fundo; Neutrinoless Double Beta Decay; Machine Learning; Rare Event Search; Binary Classification; Background Discrimination
Issue Date: 21-Jul-2021
Serial title, monograph or event: Exploration of Machine learning tecniques for discrimination of neutrinoless double beta decay of 136Xe
Place of publication or event: DF
Abstract: A detecção do decaimento beta duplo sem neutrinos (0νββ) é um objectivo científico com implicações significativas nas áreas da física de neutrinos e cosmologia, e uma nova geração de detectores de grande escala está em desenvolvimento para sondar meias-vidas de 0νββ na gama dos 10²⁵ - 10²⁷ anos. A experiência de matéria escura LUX-ZEPLIN (LZ) usará uma câmara de projecção temporal (TPC) de xénon líquido com especificações competitivas para a procura de eventos de 0νββ do ¹³⁶Xe. Com os cortes correntemente aplicados, a taxa de eventos de fundo projectada para o LZ é de 6.8 x 10⁻³ contagens/keV/kg/ano na região de energia de interesse para este decaimento, quase toda devido a eventos com a emissão de um só electrão primário. Os dois electrões primários dos eventos 0νββ produzem uma topologia de deposição de energia diferente da dos fundos, motivando o desenvolvimento de um corte baseado em algoritmos de auto-aprendizagem que explore essa diferença topológica. Neste trabalho foi examinada a viabilidade e o potencial de diferentes algoritmos de auto-aprendizagem aplicados a este problema. Foi desenvolvida uma infraestrutura expansível e modular para a extracção de propriedades e redução dinâmica de dimensionalidade em sinais temporais simulados deste tipo de detectores. Esta infraestrutura foi aplicada à discriminação das duas classes de evento, com quatro classificadores binários diferentes (k-nearest neighbors, support vector machines, Gaussian process e random forests), usando dados simulados (com balanço igual entre as duas classes) para este propósito. Para identificar a melhor configuração, foi desenvolvido um método rápido de comparação e avaliação de desempenho, capaz de extrapolar para balanços diferentes dos utilizados. Em suma, foi concebido um procedimento de avaliação de viabilidade sistemático para abordagens de classificação binária. Com o auxílio do Instituto Nacional de Computação Distribuída, e usando uma versão customizada do pacote ANTS2 com integração do Geant4, foram simulados dois conjuntos de dados com ~10⁴ pontos cada: um em que todos os electrões primários de cada classe tinham a direcção inicial de emissão mais favorável (vertical); e um em que a direcção de emissão inicial era isotrópica. Foi modelada uma TPC de LZ miniaturizada, simulando a física relevante para a topologia: deriva e difusão dos electrões de ionização; electroluminescência; e geração dos pulsos na matriz de PMTs superior. Verficou-se que o classificador por Gaussian process tinha o melhor desempeho dos quatro seleccionados. Dada uma sensibilidade-alvo a 0νββ de 80%, o classificador reduziu o fundo devido a electrões singulares a ~22% da sua taxa inicial para emissões verticais, e a 37% da sua taxa inicial para emissões isotrópicas. No entanto, para emissões isotrópicas não foi prevista uma melhoria na sensibilidade do LZ. A principal causa de dificuldade na discriminação determinou-se ser a difusão durante a deriva, com os métodos de desconvolução Gaussiana a serem uma via promissora para investigação futura.
Detection of neutrinoless double beta decay (0νββ) is a scientific goal with significant implications for neutrino physics and cosmology, and a new generation of large-scale detectors is underway for probing 0νββ half-lives in the 10²⁵ - 10²⁷ yr range. The LUX-ZEPLIN (LZ) dark matter experiment will use a liquid xenon time projection chamber (TPC) with competitive specifications for the search of 0νββ events of ¹³⁶Xe. With the current background rejection analysis, the projected LZ 0νββ background rate is 6.8 x 10⁻³ counts/keV/kg/year in the relevant energy region for this decay, with almost all of the background occurring due to events with a single primary electron. The two primary electrons of 0νββ events produce a different energy deposition topology than these backgrounds, motivating the investigation of topology-based discrimination techniques. In this work, the viability of a discrimination cut based on machine learning algorithms was examined. A modular and expandable framework was developed for feature extraction and dynamic dimensionality reduction on simulated time-series data, for the purpose of binary classification. This framework was applied to discrimination of the two classes of event, with four different binary classifiers (k-nearest neighbors, support vector machines, Gaussian process, and random forests), using data simulated (with equal balancing of the two classes) for this purpose. To identify the best configuration, a fast performance comparison and assessment method was developed, capable of extrapolating to balancings other than the one employed. In effect, a versatile procedure for systematic viability assessment of binary classification approaches was conceived.With the aid of the Instituto Nacional de Computação Distribuída, and using a custom version of the ANTS2 package with Geant4 integration, two datasets with ~10⁴ datapoints each were simulated: one where all the primary electrons of the two classes had the most favorable initial emission direction for this particular analysis (vertical); and one where the initial emission direction was isotropic. A miniaturized LZ TPC was modeled, recreating topology transport physics: drift diffusion; electroluminescence; and pulse generation in the upper PMT array. The Gaussian process classifier was seen to perform best out of the four selected. At the optimal configuration in each scenario, for a target 0νββ sensitivity of 80%, it reduced the single electron background to ~22% of its initial rate for vertical emission, and to 37% of the original rate for isotropic emission. However, for ISO there was no predicted improvement to LZ sensitivity. The main cause of the difficulty in discrimination was determined to be drift diffusion, with a promising avenue of investigation being Gaussian deconvolution methods.
Description: Dissertação de Mestrado em Astrofísica e Instrumentação para o Espaço apresentada à Faculdade de Ciências e Tecnologia
URI: http://hdl.handle.net/10316/95528
Rights: openAccess
Appears in Collections:UC - Dissertações de Mestrado

Files in This Item:
File Description SizeFormat
andreySolovovDissertacaoAvaliacao.pdf16.77 MBAdobe PDFView/Open
Show full item record

Page view(s)

15
checked on Sep 24, 2021

Download(s)

47
checked on Sep 24, 2021

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons