Event Discrimination with Topological 3D Reconstruction at MeV Energies in the JUNO Experiment

Abstract

The JUNO experiment will use an unsegmented tank filled with 20 kton liquid scintillator to detect neutrinos and antineutrinos, starting from 2021. An important goal is to answer the open question of neutrino mass ordering by measuring electron-antineutrinos from two nuclear power plants in ∼ 53 km distance. The measurement will also determine the solar oscillation parameters θ_12 and ∆m^2_21 with a precision below 1 %. A further goal is to measure solar 7Be and 8B neutrinos at high rates. The reactor antineutrinos are identified by means of inverse beta decay (IBD) which leads to a prompt positron and a delayed neutron signal. However, β − -decays of cosmogenic 8He and 9Li can be accompanied by neutron emission and thus mimic the IBD signature. Solar neutrinos are detected via elastic scattering off electrons. The cosmogenic β+ -emitters 10C and 11C are major background here. In any case, a discrimination between electron and positron events would mean a background reduction. The presented discrimination is based on topological differences between the energy deposition of MeV electrons and positrons. A topological 3D reconstruction (TR) was applied to Geant4-simulated data in order to see the resulting fine differences in pulse shape. After successfully adapting the TR to JUNO, MeV events were closely analysed. It was found that the point-like electron events create less diffuse TR results than positron events. The actual discrimination was twofold: firstly using classically developed single parameter cuts, and secondly by the set-up and training of a convolutional neural network (CNN). The classic approach (the CNN) achieved an accuracy, defined as the ratio of correct classifications at balanced amounts of signal and background events, of 76.9 % (80.8 %) at visible energies within (2.75 ± 0.25) MeV. The discrimination potential was studied for all detector regions and for energies up to 10 MeV. In accordance with the expectation the discrimination power decreases continuously towards higher energies. 10C was studied as a special case since its decay features an additional 718 keV gamma. This enhanced the accuracy to be 85.8 % (89.8 %). Finally, it was demonstrated that the method is sensitive also to a discrimination between electron and gamma events. Here, the accuracy was 69.9 % (73.6 %).

Das JUNO Experiment wird ab 2021 mit einem unsegmentierten, 20 kton fassenden Flüssigszintillatortank Neutrinos und Antineutrinos detektieren. Ein wichtiges Ziel ist die Bestimmung der bislang ungeklärten Neutrinomassenordnung durch die Messung von Antielektronneutrinos zweier Atomkraftwerke in ∼ 53 km Entfernung. Die Messung wird außerdem die solaren Oszillationsparameter θ_12 und ∆m^2_21 mit einer Genauigkeit von unter 1 % festlegen. Weiterhin sollen solare 7Be und 8B Neutrinos mit hohen Raten gemessen werden. Die Reaktorantineutrinos sind über den inversen Betazerfall (IBD), der ein promptes Positron- und ein verzögertes Neutronsignal liefert, gut zu identifizieren. Jedoch können β− -Zerfälle von kosmogenem 8He und 9Li von einer Neutronemission begleitet sein und damit die IBD Signatur imitieren. Solare Neutrinos werden mittels elastischer Streuung an Elektronen detektiert. Hierbei stellen die kosmogenen β+ -Emitter 10C und 11C einen großen Untergrund dar. In den genannten Fällen ist eine Diskriminierung von Elektron- und Positronereignissen geeignet, um Untergrund zu reduzieren. Die Basis für die hier gezeigte Unterscheidung sind topologische Unterschiede in der Energiedeposition von MeV Elektronen und Positronen. Um die sich ergebenden feinen Unterschiede in der Pulsform sichtbar zu machen, wurde eine topologische 3D Rekonstruktion (TR) auf Geant4-simulierte Daten angewendet. Nach erfolgreicher Anpassung der TR and JUNO folgte eine eingehende Analyse von MeV Ereignissen. Es zeigte sich, dass die punktförmigen Elektronereignisse weniger diffuse TR Resultate erzeugen als Positronereignisse. Die eigentliche Diskriminierung erfolgte auf zwei Arten: zum einen durch klassisch entwickelte Unterscheidungsparameter und zum anderen durch das Aufsetzen und Trainieren eines Convolutional Neural Networks (CNN). Mit dem klassichen Ansatz (mit dem CNN) ließ sich eine Treffgenauigkeit, definiert als der Anteil korrekter Klassifizierungen bei ausgewogenem Verhältnis von Signal- und Untergrundereignissen, von 76,9 % (80,8 %) bei sichtbaren Energien innerhalb von (2, 75 ± 0, 25) MeV erzielen. Das Diskriminierungspotenzial wurde in allen Detektorregionen untersucht sowie für Energien von bis zu 10 MeV. Erwartungsgemäß ergab sich eine kontinuierliche Abschwächung der Unterscheidbarkeit zu höheren Energien. Es wurde der Spezialfall von 10 C untersucht, bei dessen Zerfall ein zusätzliches 718 keV Gamma entsteht. Dadurch konnte die Treffgenauigkeit auf 85,8 % (89,8 %) gesteigert werden. Ebenfalls zeigte sich, dass die Methode auch auf die Unterscheidung zwischen Elektron- und reinen Gammaereignissen sensibel ist. Hier lag die Treffgenauigkeit bei 69,9 % (73,6 %).