Abstracto

Aplicación de la RNN en la física fundamental con el experimento KamLAND

Shingo Hayashida

El desarrollo del aprendizaje automático en los últimos años ha comenzado a beneficiar a la investigación de la física elemental. En el detector de neutrinos KamLAND, la tarea fundamental para desentrañar los misterios del universo ha sido la discriminación de los rayos gamma que inhiben la señal. Esta investigación se ha hecho posible mediante el uso de redes neuronales recurrentes (RNN). Los neutrinos son un tipo de partículas elementales, y sus masas apenas se entienden, salvo que son extremadamente ligeras. Como uno de los misterios de los neutrinos, existe la posibilidad de que la partícula y la antipartícula tengan la misma propiedad (Majorana). Es posible que solo los neutrinos tengan esta propiedad, lo que es una pista para desentrañar la masa de los neutrinos y el misterio de la materia dominante en el universo. La propiedad de Majorana se verifica detectando el pico de energía característico de la desintegración beta doble sin neutrinos (0νββ) de los núcleos. Un experimento para lograr esto es KamLAND-Zen en Japón. KamLAND-Z mide la energía de la radiación detectando la luz de centelleo líquida con sensores ópticos. Aunque la desintegración de 0νββ no se ha encontrado todavía en KamLAND-Zen, tiene el límite inferior de la vida media de 0νββ (1,07×1026 años, 90% CL), lo que representa la dificultad de la desintegración de 0νββ. En la medición, el evento de fondo de desintegración de 10C tiene la misma energía que 0νββ, lo que dificulta la observación. La identificación de la desintegración de 10C es importante para descubrir la señal de 0νββ. Métodos y materiales: Para la desintegración de 0νββ, la desintegración de 10C incluye rayos γ que tienen una dispersión en el tiempo, y se refleja en la forma de onda de centelleo. Además de esto, ~50% de la desintegración de 10C tiene orto-positronio (oPs) cuya vida media es ~2,9 ns en LS. En esta investigación, la desintegración de 10C se identifica discriminando la diferencia de la forma de onda de centelleo utilizando "Redes neuronales recurrentes (RNN)". * ~50% de la desintegración de 10C tiene para-positronio (pPs) cuya vida media es corta. Resultados: Las condiciones de identificación de 10C se deciden a partir de las distribuciones de salida del clasificador. Muestra que cada tipo de evento tiene una distribución diferente. Si se permite una ineficiencia de ββ ~20%, los eventos de desintegración de 10C pueden rechazarse con una eficiencia de ~55%. En esta evaluación, se utilizan muestras MC. Dado que la eficiencia/ineficiencia se evalúan mediante MC, es necesario el apoyo de los datos. Los datos de calibración de la fuente de 60Co (rayos γ) son útiles para la evaluación. En comparación con MC y los datos, la distribución de la salida del clasificador y la eficiencia de rechazo son consistentes. La eficiencia/ineficiencia calculada por MC tiene suficiente confianza. El detector de neutrinos "KamLAND" tiene como objetivo desentrañar los misterios del universo. La reducción del fondo de desintegración de 10C es indispensable para verificar la propiedad de Majorana de los neutrinos. Para identificar eventos de desintegración de 10C, se discrimina la diferencia de la forma de onda de centelleo mediante el uso de RNN. En esta investigación, se desarrolló un LSTM apilado de 2 capas. Y luego es capaz de rechazar ~55% de los eventos de desintegración de 10C con una ineficiencia de ββ de ~20%. A partir de la evaluación mediante el uso de datos de calibración de la fuente de 60Co, esta eficiencia/ineficiencia tiene suficiente confianza.Esta investigación se da cuenta de la mejora de la sensibilidad para descubrir señales 0νββ. RNN procesa la valoración temporal de los datos. Se cree que RNN que se desarrolló en esta investigación clasificó el tipo de evento en función de la dispersión de la forma de onda de centelleo. Como base, los 10C-oP con una dispersión de centelleo mayor tienen una salida de clasificación ββ más baja que los 10C-pP en.