Ponente
Descripción
Este estudio presenta un algoritmo de reconstrucción de trayectorias de muones diseñado para el Experimento de Interacción Neutrino-Núcleo Coherente (CONNIE). En este experimento, doce sensores de dispositivos de carga acoplada (CCD) están estratégicamente situados muy cerca del reactor nuclear Angra II. El objetivo principal del experimento es la detección de antineutrinos producidos por el reactor, sirviendo como puerta de entrada para investigar interacciones de neutrinos no estándar a través de la Dispersión Coherente Neutrino-Núcleo (CEvNS). Sin embargo, las imágenes adquiridas por estos sensores revelan una abundancia de muones, originados por la colisión de rayos cósmicos con la atmósfera terrestre. Este estudio se centra fundamentalmente en un sistema de seguimiento que permita trazar las trayectorias de los muones. Se ha utilizado el software GEANT4 para crear imágenes sintéticas que servirán para validar el algoritmo, que se utilizará en el análisis de las imágenes recogidas por los CCDs del experimento. En este trabajo se ha evaluado el rendimiento del algoritmo utilizando imágenes sintéticas, alcanzando una eficiencia del 98,92%. Este resultado preliminar demuestra la robustez y fiabilidad del algoritmo en la reconstrucción de trayectorias de muones. Actualmente se trabaja en un mecanismo de calibración para considerar desalineamientos que existen en el montaje de los detectores.
Metodología
El primer paso consiste en realizar las simulaciones para capturar y registrar la deposición de energía en cada paso de su trayectoria permitiendo una correspondencia entre las coordenadas y la cantidad de energía registrada. La distribución angular de trayectorias utilizadas para el lanzamiento de las partículas es la función coseno cuadrado. Se simularon 10 detectores alineados, manteniendo un espaciado constante entre ellos. De los eventos determinados por los impactos, se extraen características asociadas a los mismos como el tamaño, centroide y la asimetría del mismo. El algoritmo de seguimiento se divide en dos etapas: predecir la posición en el CCD subsiguiente y asociar los eventos basados en métricas de similitud.
1. Predicción de la posición mediante regresión lineal: esta etapa consiste en predecir el desplazamiento, teniendo en cuenta las características extraídas. El tamaño del evento demuestra una correlación lineal con los eventos de mayor desplazamiento, y la asimetría complementa la información necesaria para los eventos de menor tamaño. Combinando ambas características, podemos establecer dos rectas de ajuste para estimar la posición de impacto en los siguientes detectores (Figura 1).
2. Asociación basada en ventanas: esta etapa consta de dos pasos distintos. La primera consiste en definir una ventana de búsqueda (W1) para localizar los posibles impactos en el CCD, en la que pueden situarse múltiples candidatos. Posteriormente, el segundo paso consiste en utilizar métricas de similitud para discernir y seleccionar el evento apropiado entre los candidatos identificados en el paso anterior (Figura 2).
Para iniciar la búsqueda, se selecciona un evento y se determina el posible desplazamiento en el siguiente detector. Se establece W1 alrededor de este punto para identificar los posibles candidatos. Cuando dos eventos han sido seleccionados en CCDs contiguos, es reducida (W2) debido a que la siguiente predicción de posición será más precisa al trazarse una línea entre los mismos, lo que se traduce en una reducción del error. Los candidatos dentro de la ventana de búsqueda se someten a la norma L2, que calcula el la distancia euclidiana entre los vectores de características, que representa la similitud entre un evento y sus predicciones para determinar el de mayor similitud. Luego, se repite el proceso para asociar los posibles eventos en los siguientes detectores. Por lo tanto, todos los impactos identificados por la búsqueda vinculados a un suceso específico son asignados al mismo. A través de este proceso iterativo, todos los eventos son visitados y asociados a un evento específico si cumplen los criterios de asociación.
Posteriormente se evalúa la eficacia del algoritmo. Mediante las asociaciones de eventos generados por el algoritmo y las correspondientes a la simulación, podemos cuantificar el número de impactos que pasan a través de un número variable de detectores. Para calibrar el rendimiento del algoritmo dentro de cada CCD, analizamos el porcentaje de sucesos que se han asociado correctamente con los sucesos simulados. Concretamente se considera que la predicción es válida cuando coincide con la simulación. Son así evaluados todos los eventos determinados para verificar la eficiencia del algoritmo.
Conclusión
En conclusión, este estudio introduce un algoritmo de seguimiento que aborda el problema de asociar eventos de impactos a través de múltiples CCDs. El mismo tiene dos etapas principales: la predicción de la posición y el emparejamiento de eventos. En la primera etapa se combinan predicciones basadas en regresiones lineales y métricas de similitud. Se logró una precisión y eficacia en la asociación de eventos logrando una determinación de 1463 de 1480 eventos en el mejor de los casos. Los parámetros determinados experimentalmente no sólo afinan la capacidad de predicción del algoritmo, sino que también sientan las bases para una asociación precisa de los sucesos. La evaluación de diferentes conjuntos de datos y características del algoritmo pone aún más de relieve su fiabilidad en diversos escenarios. Uno de los logros más significativos de esta investigación es la extraordinaria eficacia del 98,92% alcanzada por el algoritmo a la hora de predecir con precisión y asociar sucesos de impacto. Estas eficiencias altas subrayan el potencial del algoritmo para aplicaciones de datos reales en la detección de partículas. Los resultados presentados en este artículo proporcionan una base para futuras investigaciones y desarrollos en el ámbito experimental de detecciones de partículas en CCDs.
Resultados
Esta sección presenta un análisis del rendimiento del algoritmo de seguimiento, en tres etapas: la primera abarca aspectos como el impacto de la regresión lineal en la predicción, la segunda analiza la optimización del tamaño de las ventanas, y la tercera permite la evaluación de la eficacia en cada CCD. A través de estos análisis de eficacia y precisión del algoritmo en diferentes escenarios y parámetros.
1. Regresión Lineal: Las ecuaciones de rectas determinadas por las regresiones lineales asociadas al tamaño de la ventana y la asimetría presentan pendientes de 7.681 y 15.288 e intercepciones de -572.638 y -4.616 respectivamente. Es notable la diferencia en las intercepciones debido a que el tamaño está asociado a los eventos de mayor desplazamiento. La precisión de las rectas de ajuste determinadas fue evaluada mediante el coeficiente de Pearson, que para el primer ajuste presenta un coeficiente mayor a 0.98 mientras que la segunda supera 0.94. Un coeficiente cercano a la unidad indica que ambos modelos de regresión lineal proporcionan un buen ajuste a los datos, reafirmando su precisión en la predicción de los desplazamientos.
2. Ajuste del tamaño de las ventanas W1, W2: La eficacia de cada tamaño de ventanas fue evaluada mediante el recuento de fallos, que representan los casos en los que los eventos no fueron asociados con precisión, estableciéndose las ventanas que brindaron mayor cantidad de aciertos. Fue realizado un proceso iterativo para afinar el algoritmo mediante la identificación de los tamaños óptimos, mejorando así su capacidad para predicción y asociación. Para la mejor evaluación, se obtuvo un W1=600[um] y W2=250[um] que en ambos casos presentaba una cantidad de 21 fallos respecto a los 1480 eventos.
3. Evaluación de la eficacia del algoritmo calibrado: Este enfoque nos permite calcular el porcentaje de eventos correctamente emparejados por el algoritmo. Las eficiencias observadas, que oscilan entre aproximadamente el 96% y 98%, encontrándose en la mejor evaluación un total de 1463 asociaciones correctas sobre 1480 eventos, determinando únicamente 17 fallos (Figura 3). Subrayando la sólida capacidad del algoritmo para predecir y asociar impactos con una precisión notable.
Objetivo
Implementar un sistema de seguimiento de muones para el experimento CONNIE, a través de métodos heurísticos con el fin de eliminar el ruido asociado a los muones de los detectores, mediante la utilización de datos sintéticos que simulan la interacción de los muones con los detectores.
Introducción
En el ámbito de los experimentos de física de partículas, lograr una reconstrucción precisa de las trayectorias de las partículas constituye una base fundamental para interpretar los resultados y realizar nuevos descubrimientos. El proceso de seguimiento de partículas en un sistema de detección es parte del proceso de reconstrucción. En el experimento CONNIE se requiere un algoritmo para seguir a los muones que son la principal fuente de ruido de fondo para la detección de interacciones de neutrinos procedentes del reactor nuclear. Los muones, al ser partículas cargadas de alta energía, generan patrones distintivos dependiendo del ángulo de incidencia. Un algoritmo de seguimiento robusto es esencial para la identificación y asociación precisa de los eventos en cada detector. El desarrollo del mismo requiere establecer similitudes entre eventos en cada CCD, una tarea compleja al tener miles de detecciones. Para tener asociaciones reales entre los eventos, se realizan simulaciones de las interacciones de muones con los detectores CONNIE empleando un software (GEANT4) diseñado para simular el paso de partículas a través de la materia. Las interacciones de muones que se simularon con este programa sirvieron para validar la eficacia del algoritmo de seguimiento.
| Area | Ingenierías, Matemáticas y Física |
|---|
