Técnicas de machine learning para la optimización de los resultados del experimento ANAIS-112

Apilluelo Allué, Jaime
Coarasa Casas, Iván (dir.) ; Martínez Pérez, María Lucía (dir.)

Universidad de Zaragoza, CIEN, 2021
Departamento de Física Teórica, Área de Física Atómica, Molecular y Nuclear

Graduado en Física

Resumen: El experimento ANAIS-112, en el Laboratorio Subterráneo de Canfranc, utiliza 112.5 kg de cristales centelleadores de NaI(Tl) para confirmar o refutar el resultado observado por DAMA/LIBRA para la modulación anual del ritmo de detección compatible con la esperada para materia oscura. Se espera que la interacción de estas partículas se de en el rango de baja energía (1-6 keV).
En esta región del espectro energético aparecen una gran cantidad de sucesos no correspondientes a centelleos en el cristal de NaI(Tl). Para evitar que estos contaminen los datos obtenidos, deben ser identificados y eliminados utilizando diferentes métodos de filtrado basados en las características del pulso registrado. Los métodos de selección de sucesos aplicados en ANAIS-112 consiguen reproducir adecuadamente el resultado esperado por las simulaciones, a excepción del intervalo de 1 a 2 keV, donde presenta unas grandes discrepancias.
Este trabajo propone la aplicación de un método de corte basado en técnicas de machine learning mediante un algoritmo centrado en los árboles de decisión. Se han estudiado diversas configuraciones, buscando su optimización en base a los resultados obtenidos. De esta forma, se ha conseguido una reducción del ritmo de fondo de aproximadamente el 37% en el intervalo de 1 a 2 keV respecto a los métodos establecidos en el experimento, lo cual conlleva un aumento de la sensibilidad a la señal de modulación anual de materia oscura superior al 10 %.

Tipo de Trabajo Académico: Trabajo Fin de Grado