¿Es usted uno de los autores de este trabajo? Escríbanos desde su correo institucional o profesional indicando el arXiv ID de este artículo: le verificaremos y le daremos acceso de edición a esta página.
Una trampa para partículas aprende a seleccionar lo importante mientras trabaja.
📄 Mostrando la versión "Simple" — "Avanzado" aún no está lista. Añádelo a favoritos para ayudar a priorizarla.
El detector MicroBooNE es un gran tanque de argón líquido que atrapa partículas que lo atraviesan. Cuando una partícula pasa, deja un rastro de carga y un destello de luz. Estos rastros se combinan en una imagen tridimensional del evento, como si la partícula dibujara su camino en un cubo transparente.
Pero hay demasiados eventos: cada segundo, cientos de muones cósmicos atraviesan el detector. Registrar todo sería ahogarse en datos. Normalmente, la selección se hace después, en computadoras, pero es lento y costoso. El nuevo trabajo muestra cómo enseñar al detector a seleccionar lo importante sobre la marcha, como un cocinero experto que quita la espuma del caldo sin apagar el fuego.
El algoritmo solo mira la carga dejada por la partícula en los planos de alambre y, en fracciones de segundo, decide: ¿es un electrón interesante de un muón detenido o simplemente ruido?
Esta selección en línea se ha probado por primera vez con datos reales de un detector de argón líquido. Funciona rápido y con precisión, y puede trasladarse a futuros experimentos donde el flujo de datos será aún más potente. Es como enseñar a un filtro de correo a distinguir mensajes importantes del spam antes de que lleguen a la bandeja de entrada.
Ahora el detector no solo ve partículas: aprende a escuchar el susurro de eventos raros en el estruendo de los rayos cósmicos.
The MicroBooNE detector is a liquid argon time projection chamber (LArTPC) that produces three-dimensional images of particle interactions using ionization charge collected by anode wire plane arrays and scintillation light collected by a light detection system. In addition to testing long-standing experimental neutrino anomalies and performing measurements of neutrino interactions with argon nuclei using the Fermilab Booster Neutrino Beam, MicroBooNE aims to develop methodologies for rare beyond the Standard Model and off-beam physics searches. Looking ahead to the upcoming Deep Underground Neutrino Experiment (DUNE), with MicroBooNE serving as a valuable testbed, achieving high sensitivity and livetime for off-beam physics while satisfying data processing and storage constraints will require data-driven, intelligent, and online or real-time data selection techniques. These techniques are essential for reducing data rates and preserving rare signals with high accuracy. In this paper, we describe a fast data selection algorithm suitable for online execution to identify electrons from stopping cosmic ray muons in the MicroBooNE detector utilizing ionization charge information, and present its performance. This represents the first demonstration of online data selection in a LArTPC using real data and charge information exclusively and provides an important proof-of-principle for applying such techniques to other LArTPC experiments such as the Short-Baseline Near Detector and DUNE.
