Interpretable machine learning approach for electron antineutrino selection in a large liquid scintillator detector
Several neutrino detectors, KamLAND, Daya Bay, Double Chooz, RENO, and the forthcoming large-scale JUNO, rely on liquid scintillator to detect reactor antineutrino interactions. In this context, inverse beta decay represents the golden channel for antineutrino detection, providing a pair of correlat...
Saved in:
| Main Authors: | , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Elsevier
2025-01-01
|
| Series: | Physics Letters B |
| Subjects: | |
| Online Access: | http://www.sciencedirect.com/science/article/pii/S0370269324006993 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1841550710512025600 |
|---|---|
| author | A. Gavrikov V. Cerrone A. Serafini R. Brugnera A. Garfagnini M. Grassi B. Jelmini L. Lastrucci S. Aiello G. Andronico V. Antonelli A. Barresi D. Basilico M. Beretta A. Bergnoli M. Borghesi A. Brigatti R. Bruno A. Budano B. Caccianiga A. Cammi R. Caruso D. Chiesa C. Clementi S. Dusini A. Fabbri G. Felici F. Ferraro M.G. Giammarchi N. Giudice R.M. Guizzetti N. Guardone C. Landini I. Lippi S. Loffredo L. Loi P. Lombardi C. Lombardo F. Mantovani S.M. Mari A. Martini L. Miramonti M. Montuschi M. Nastasi D. Orestano F. Ortica A. Paoloni E. Percalli F. Petrucci E. Previtali G. Ranucci A.C. Re M. Redchuck B. Ricci A. Romani P. Saggese G. Sava C. Sirignano M. Sisti L. Stanco E. Stanescu Farilla V. Strati M.D.C. Torri A. Triossi C. Tuvè C. Venettacci G. Verde L. Votano |
| author_facet | A. Gavrikov V. Cerrone A. Serafini R. Brugnera A. Garfagnini M. Grassi B. Jelmini L. Lastrucci S. Aiello G. Andronico V. Antonelli A. Barresi D. Basilico M. Beretta A. Bergnoli M. Borghesi A. Brigatti R. Bruno A. Budano B. Caccianiga A. Cammi R. Caruso D. Chiesa C. Clementi S. Dusini A. Fabbri G. Felici F. Ferraro M.G. Giammarchi N. Giudice R.M. Guizzetti N. Guardone C. Landini I. Lippi S. Loffredo L. Loi P. Lombardi C. Lombardo F. Mantovani S.M. Mari A. Martini L. Miramonti M. Montuschi M. Nastasi D. Orestano F. Ortica A. Paoloni E. Percalli F. Petrucci E. Previtali G. Ranucci A.C. Re M. Redchuck B. Ricci A. Romani P. Saggese G. Sava C. Sirignano M. Sisti L. Stanco E. Stanescu Farilla V. Strati M.D.C. Torri A. Triossi C. Tuvè C. Venettacci G. Verde L. Votano |
| author_sort | A. Gavrikov |
| collection | DOAJ |
| description | Several neutrino detectors, KamLAND, Daya Bay, Double Chooz, RENO, and the forthcoming large-scale JUNO, rely on liquid scintillator to detect reactor antineutrino interactions. In this context, inverse beta decay represents the golden channel for antineutrino detection, providing a pair of correlated events, thus a strong experimental signature to distinguish the signal from a variety of backgrounds. However, given the low cross-section of antineutrino interactions, the development of a powerful event selection algorithm becomes imperative to achieve effective discrimination between signal and backgrounds. In this study, we introduce a machine learning (ML) model to achieve this goal: a fully connected neural network as a powerful signal-background discriminator for a large liquid scintillator detector. We demonstrate, using the JUNO detector as an example, that, despite the already high efficiency of a cut-based approach, the presented ML model can further improve the overall event selection efficiency. Moreover, it allows for the retention of signal events at the detector edges that would otherwise be rejected because of the overwhelming amount of background events in that region. We also present the first interpretable analysis of the ML approach for event selection in reactor neutrino experiments. This method provides insights into the decision-making process of the model and offers valuable information for improving and updating traditional event selection approaches. |
| format | Article |
| id | doaj-art-b0e7850630654bd7aab0f34df8c7ded9 |
| institution | Kabale University |
| issn | 0370-2693 |
| language | English |
| publishDate | 2025-01-01 |
| publisher | Elsevier |
| record_format | Article |
| series | Physics Letters B |
| spelling | doaj-art-b0e7850630654bd7aab0f34df8c7ded92025-01-10T04:37:17ZengElsevierPhysics Letters B0370-26932025-01-01860139141Interpretable machine learning approach for electron antineutrino selection in a large liquid scintillator detectorA. Gavrikov0V. Cerrone1A. Serafini2R. Brugnera3A. Garfagnini4M. Grassi5B. Jelmini6L. Lastrucci7S. Aiello8G. Andronico9V. Antonelli10A. Barresi11D. Basilico12M. Beretta13A. Bergnoli14M. Borghesi15A. Brigatti16R. Bruno17A. Budano18B. Caccianiga19A. Cammi20R. Caruso21D. Chiesa22C. Clementi23S. Dusini24A. Fabbri25G. Felici26F. Ferraro27M.G. Giammarchi28N. Giudice29R.M. Guizzetti30N. Guardone31C. Landini32I. Lippi33S. Loffredo34L. Loi35P. Lombardi36C. Lombardo37F. Mantovani38S.M. Mari39A. Martini40L. Miramonti41M. Montuschi42M. Nastasi43D. Orestano44F. Ortica45A. Paoloni46E. Percalli47F. Petrucci48E. Previtali49G. Ranucci50A.C. Re51M. Redchuck52B. Ricci53A. Romani54P. Saggese55G. Sava56C. Sirignano57M. Sisti58L. Stanco59E. Stanescu Farilla60V. Strati61M.D.C. Torri62A. Triossi63C. Tuvè64C. Venettacci65G. Verde66L. Votano67Università degli Studi di Padova, Dipartimento di Fisica e Astronomia, Italy; INFN, Sezione di Padova, Italy; Corresponding authors.Università degli Studi di Padova, Dipartimento di Fisica e Astronomia, Italy; INFN, Sezione di Padova, Italy; Corresponding authors.Università degli Studi di Padova, Dipartimento di Fisica e Astronomia, Italy; INFN, Sezione di Padova, Italy; Corresponding authors.Università degli Studi di Padova, Dipartimento di Fisica e Astronomia, Italy; INFN, Sezione di Padova, ItalyUniversità degli Studi di Padova, Dipartimento di Fisica e Astronomia, Italy; INFN, Sezione di Padova, ItalyUniversità degli Studi di Padova, Dipartimento di Fisica e Astronomia, Italy; INFN, Sezione di Padova, ItalyUniversità degli Studi di Padova, Dipartimento di Fisica e Astronomia, Italy; INFN, Sezione di Padova, ItalyUniversità degli Studi di Padova, Dipartimento di Fisica e Astronomia, Italy; INFN, Sezione di Padova, ItalyINFN, Sezione di Catania e Università di Catania, Dipartimento di Fisica e Astronomia, ItalyINFN, Sezione di Catania e Università di Catania, Dipartimento di Fisica e Astronomia, ItalyINFN, Sezione di Milano e Università degli Studi di Milano, Dipartimento di Fisica, ItalyINFN, Sezione di Milano Bicocca e Dipartimento di Fisica, Università di Milano - Bicocca, ItalyINFN, Sezione di Milano e Università degli Studi di Milano, Dipartimento di Fisica, ItalyINFN, Sezione di Milano e Università degli Studi di Milano, Dipartimento di Fisica, ItalyUniversità degli Studi di Padova, Dipartimento di Fisica e Astronomia, Italy; INFN, Sezione di Padova, ItalyINFN, Sezione di Milano Bicocca e Dipartimento di Fisica, Università di Milano - Bicocca, ItalyINFN, Sezione di Milano e Università degli Studi di Milano, Dipartimento di Fisica, ItalyINFN, Sezione di Catania e Università di Catania, Dipartimento di Fisica e Astronomia, ItalyINFN, Sezione di Roma Tre e Università degli Studi di Roma Tre, Dipartimento di Matematica e Fisica, ItalyINFN, Sezione di Milano e Università degli Studi di Milano, Dipartimento di Fisica, ItalyINFN, Sezione di Milano Bicocca e Dipartimento di Energia, Politecnico di Milano, ItalyINFN, Sezione di Catania e Università di Catania, Dipartimento di Fisica e Astronomia, ItalyINFN, Sezione di Milano Bicocca e Dipartimento di Fisica, Università di Milano - Bicocca, ItalyINFN, Sezione di Perugia e Università degli Studi di Perugia, Dipartimento di Chimica, Biologia e Biotecnologie, ItalyINFN, Sezione di Padova, ItalyINFN, Sezione di Roma Tre e Università degli Studi di Roma Tre, Dipartimento di Matematica e Fisica, ItalyINFN, Laboratori Nazionali dell'INFN di Frascati, ItalyINFN, Sezione di Milano e Università degli Studi di Milano, Dipartimento di Fisica, ItalyINFN, Sezione di Milano e Università degli Studi di Milano, Dipartimento di Fisica, ItalyINFN, Sezione di Catania e Università di Catania, Dipartimento di Fisica e Astronomia, ItalyUniversità degli Studi di Padova, Dipartimento di Fisica e Astronomia, ItalyINFN, Sezione di Catania e Università di Catania, Dipartimento di Fisica e Astronomia, ItalyINFN, Sezione di Milano e Università degli Studi di Milano, Dipartimento di Fisica, ItalyINFN, Sezione di Padova, ItalyINFN, Sezione di Roma Tre e Università degli Studi di Roma Tre, Dipartimento di Matematica e Fisica, ItalyINFN, Sezione di Milano Bicocca e Dipartimento di Energia, Politecnico di Milano, ItalyINFN, Sezione di Milano e Università degli Studi di Milano, Dipartimento di Fisica, ItalyINFN, Sezione di Catania e Università di Catania, Dipartimento di Fisica e Astronomia, ItalyINFN, Sezione di Ferrara, Università degli Studi di Ferrara, Dipartimento di Fisica e Scienze della Terra, ItalyINFN, Sezione di Roma Tre e Università degli Studi di Roma Tre, Dipartimento di Matematica e Fisica, ItalyINFN, Laboratori Nazionali dell'INFN di Frascati, ItalyINFN, Sezione di Milano e Università degli Studi di Milano, Dipartimento di Fisica, ItalyINFN, Sezione di Ferrara, Università degli Studi di Ferrara, Dipartimento di Fisica e Scienze della Terra, ItalyINFN, Sezione di Milano Bicocca e Dipartimento di Fisica, Università di Milano - Bicocca, ItalyINFN, Sezione di Roma Tre e Università degli Studi di Roma Tre, Dipartimento di Matematica e Fisica, ItalyINFN, Sezione di Perugia e Università degli Studi di Perugia, Dipartimento di Chimica, Biologia e Biotecnologie, ItalyINFN, Laboratori Nazionali dell'INFN di Frascati, ItalyINFN, Sezione di Milano e Università degli Studi di Milano, Dipartimento di Fisica, ItalyINFN, Sezione di Roma Tre e Università degli Studi di Roma Tre, Dipartimento di Matematica e Fisica, ItalyINFN, Sezione di Milano Bicocca e Dipartimento di Fisica, Università di Milano - Bicocca, ItalyINFN, Sezione di Milano e Università degli Studi di Milano, Dipartimento di Fisica, ItalyINFN, Sezione di Milano e Università degli Studi di Milano, Dipartimento di Fisica, ItalyUniversità degli Studi di Padova, Dipartimento di Fisica e Astronomia, Italy; INFN, Sezione di Padova, ItalyINFN, Sezione di Ferrara, Università degli Studi di Ferrara, Dipartimento di Fisica e Scienze della Terra, ItalyINFN, Sezione di Perugia e Università degli Studi di Perugia, Dipartimento di Chimica, Biologia e Biotecnologie, ItalyINFN, Sezione di Milano e Università degli Studi di Milano, Dipartimento di Fisica, ItalyINFN, Sezione di Catania e Università di Catania, Dipartimento di Fisica e Astronomia, ItalyUniversità degli Studi di Padova, Dipartimento di Fisica e Astronomia, Italy; INFN, Sezione di Padova, ItalyINFN, Sezione di Milano Bicocca e Dipartimento di Fisica, Università di Milano - Bicocca, ItalyINFN, Sezione di Padova, ItalyINFN, Sezione di Roma Tre e Università degli Studi di Roma Tre, Dipartimento di Matematica e Fisica, ItalyINFN, Sezione di Ferrara, Università degli Studi di Ferrara, Dipartimento di Fisica e Scienze della Terra, ItalyINFN, Sezione di Milano e Università degli Studi di Milano, Dipartimento di Fisica, ItalyUniversità degli Studi di Padova, Dipartimento di Fisica e Astronomia, Italy; INFN, Sezione di Padova, ItalyINFN, Sezione di Catania e Università di Catania, Dipartimento di Fisica e Astronomia, ItalyINFN, Sezione di Roma Tre e Università degli Studi di Roma Tre, Dipartimento di Matematica e Fisica, ItalyINFN, Sezione di Catania e Università di Catania, Dipartimento di Fisica e Astronomia, ItalyINFN, Laboratori Nazionali dell'INFN di Frascati, ItalySeveral neutrino detectors, KamLAND, Daya Bay, Double Chooz, RENO, and the forthcoming large-scale JUNO, rely on liquid scintillator to detect reactor antineutrino interactions. In this context, inverse beta decay represents the golden channel for antineutrino detection, providing a pair of correlated events, thus a strong experimental signature to distinguish the signal from a variety of backgrounds. However, given the low cross-section of antineutrino interactions, the development of a powerful event selection algorithm becomes imperative to achieve effective discrimination between signal and backgrounds. In this study, we introduce a machine learning (ML) model to achieve this goal: a fully connected neural network as a powerful signal-background discriminator for a large liquid scintillator detector. We demonstrate, using the JUNO detector as an example, that, despite the already high efficiency of a cut-based approach, the presented ML model can further improve the overall event selection efficiency. Moreover, it allows for the retention of signal events at the detector edges that would otherwise be rejected because of the overwhelming amount of background events in that region. We also present the first interpretable analysis of the ML approach for event selection in reactor neutrino experiments. This method provides insights into the decision-making process of the model and offers valuable information for improving and updating traditional event selection approaches.http://www.sciencedirect.com/science/article/pii/S0370269324006993InterpretabilityMachine learningEvent selectionNeutrino physics |
| spellingShingle | A. Gavrikov V. Cerrone A. Serafini R. Brugnera A. Garfagnini M. Grassi B. Jelmini L. Lastrucci S. Aiello G. Andronico V. Antonelli A. Barresi D. Basilico M. Beretta A. Bergnoli M. Borghesi A. Brigatti R. Bruno A. Budano B. Caccianiga A. Cammi R. Caruso D. Chiesa C. Clementi S. Dusini A. Fabbri G. Felici F. Ferraro M.G. Giammarchi N. Giudice R.M. Guizzetti N. Guardone C. Landini I. Lippi S. Loffredo L. Loi P. Lombardi C. Lombardo F. Mantovani S.M. Mari A. Martini L. Miramonti M. Montuschi M. Nastasi D. Orestano F. Ortica A. Paoloni E. Percalli F. Petrucci E. Previtali G. Ranucci A.C. Re M. Redchuck B. Ricci A. Romani P. Saggese G. Sava C. Sirignano M. Sisti L. Stanco E. Stanescu Farilla V. Strati M.D.C. Torri A. Triossi C. Tuvè C. Venettacci G. Verde L. Votano Interpretable machine learning approach for electron antineutrino selection in a large liquid scintillator detector Physics Letters B Interpretability Machine learning Event selection Neutrino physics |
| title | Interpretable machine learning approach for electron antineutrino selection in a large liquid scintillator detector |
| title_full | Interpretable machine learning approach for electron antineutrino selection in a large liquid scintillator detector |
| title_fullStr | Interpretable machine learning approach for electron antineutrino selection in a large liquid scintillator detector |
| title_full_unstemmed | Interpretable machine learning approach for electron antineutrino selection in a large liquid scintillator detector |
| title_short | Interpretable machine learning approach for electron antineutrino selection in a large liquid scintillator detector |
| title_sort | interpretable machine learning approach for electron antineutrino selection in a large liquid scintillator detector |
| topic | Interpretability Machine learning Event selection Neutrino physics |
| url | http://www.sciencedirect.com/science/article/pii/S0370269324006993 |
| work_keys_str_mv | AT agavrikov interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT vcerrone interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT aserafini interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT rbrugnera interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT agarfagnini interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT mgrassi interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT bjelmini interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT llastrucci interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT saiello interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT gandronico interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT vantonelli interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT abarresi interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT dbasilico interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT mberetta interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT abergnoli interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT mborghesi interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT abrigatti interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT rbruno interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT abudano interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT bcaccianiga interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT acammi interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT rcaruso interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT dchiesa interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT cclementi interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT sdusini interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT afabbri interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT gfelici interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT fferraro interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT mggiammarchi interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT ngiudice interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT rmguizzetti interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT nguardone interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT clandini interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT ilippi interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT sloffredo interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT lloi interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT plombardi interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT clombardo interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT fmantovani interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT smmari interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT amartini interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT lmiramonti interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT mmontuschi interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT mnastasi interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT dorestano interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT fortica interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT apaoloni interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT epercalli interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT fpetrucci interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT eprevitali interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT granucci interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT acre interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT mredchuck interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT bricci interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT aromani interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT psaggese interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT gsava interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT csirignano interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT msisti interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT lstanco interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT estanescufarilla interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT vstrati interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT mdctorri interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT atriossi interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT ctuve interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT cvenettacci interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT gverde interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector AT lvotano interpretablemachinelearningapproachforelectronantineutrinoselectioninalargeliquidscintillatordetector |