[论文解读] Novel techniques for alpha/beta pulse shape discrimination in Borexino

D. Basilico, G. Bellini+73 more|arXiv (Cornell University)|Jan 1, 2023

Radiation Detection and Scintillator Technologies参考文献 1被引用 2

一句话总结

本文提出了一种先进的脉冲形状鉴别技术，用于在Borexino液闪探测器中分离α和β粒子，采用多层感知机神经网络，利用闪烁体时间响应的差异。该方法实现了高效、稳定且均匀的鉴别，成功抑制了关键背景——特别是210Po衰变——在整个Borexino 14年运行期间的背景，支持了精确的太阳中微子测量，包括首次直接观测到CNO循环。

ABSTRACT

Borexino could efficiently distinguish between alpha and beta radiation in its liquid scintillator by the characteristic time profile of their scintillation pulse. This alpha/beta discrimination, first demonstrated at the tonne scale in the Counting Test Facility prototype, was used throughout the lifetime of the experiment between 2007 and 2021. With this method, alpha events are identified and subtracted from the beta-like solar neutrino events. This is particularly important in liquid scintillator as alpha scintillation is quenched many-fold. In Borexino, the prominent Po-210 decay peak was a background in the energy range of electrons scattered from Be-7 solar neutrinos. Optimal alpha-beta discrimination was achieved with a "multi-layer perceptron neural network", which its higher ability to leverage the timing information of the scintillation photons detected by the photomultiplier tubes. An event-by-event, high efficiency, stable, and uniform pulse shape discrimination was essential in characterising the spatial distribution of background in the detector. This benefited most Borexino measurements, including solar neutrinos in the \pp chain and the first direct observation of the CNO cycle in the Sun. This paper presents the key milestones in alpha/beta discrimination in Borexino as a term of comparison for current and future large liquid scintillator detectors

研究动机与目标

• 开发并实现用于大体积液闪探测器中α和β粒子的先进脉冲形状鉴别（PSD）技术。
• 降低来自α衰变的本底，特别是210Po，其会淬灭闪烁光并模拟低能电子反冲信号。
• 实现逐事件、高效且稳定的鉴别，这对于精确的太阳中微子能谱学至关重要。
• 为未来大规模液闪探测器在中微子与暗物质物理研究中提供基准参考。

提出的方法

• 采用多层感知机（MLP）神经网络分析光电倍增管获取的闪烁脉冲时间波形。
• 利用α粒子（快速，~10–20 ns）与β样事件（较慢，~1–2 μs）之间固有的闪烁衰减时间差异实现鉴别。
• 基于模拟和真实数据对MLP进行训练，以优化分离效率并最小化误判。
• 将训练好的模型应用于整个Borexino探测器的实时逐事件鉴别。
• 持续监控脉冲形状性能，以确保探测器体积内性能的稳定性与均匀性。
• 与Gatti参数方法作为基线进行对比，验证了神经网络的优越性能。

实验结果

研究问题

• RQ1 多层感知机神经网络是否能在α/β分离中优于传统的脉冲形状鉴别方法（如Gatti参数）？
• RQ2 在长达14年的运行中，该脉冲形状鉴别性能在大体积Borexino探测器内是否保持稳定且均匀？
• RQ3 改进的α/β鉴别在多大程度上降低了7Be太阳中微子能窗内的本底？
• RQ4 脉冲形状鉴别对太阳中微子测量精度（特别是pp链和CNO循环）有何影响？
• RQ5 机器学习技术如何可靠地应用于超纯液闪实验中的实时、高吞吐量粒子探测？

主要发现

• 多层感知机神经网络在α/β脉冲形状鉴别方面优于传统Gatti参数方法，显著提升了本底抑制效果。
• 该方法在Borexino探测器整个体积内实现了14年数据获取期间稳定、均匀且高效的逐事件鉴别。
• 该技术有效抑制了约500 keV电子等效能区的210Po本底峰，该峰是7Be中微子能带内主要的本底来源。
• 该技术对于首次直接观测到CNO中微子以及精确测量pp链中微子能谱至关重要。
• 通过持续监控脉冲形状性能，关键Borexino实验结果的系统不确定性得以降低。
• 该方法证明了机器学习驱动的PSD在大规模、超纯液闪探测器中的可行性，为未来实验设立了新基准。