Kurzfassung
Die SuperCDMS-Kollaboration hat Detektoren entwickelt, um mögliche Wechselwirkungen zwischen Teilchen der Dunklen Materie (DM) und Halbleiterkristallen bei kryogenen Temperaturen zu untersuchen. Während der Endphase des Experiments Cryogenic Dark Matter Search low ionization threshold (CDMSlite) wurden Vibrationen beobachtet, die vom Kühlsystem ausgingen. Diese Vibrationen erzeugten breitbandiges niederfrequentes Rauschen (LFN; Aus dem Englischen: Low Frequency Noise), das den Detektor häufig auslöste. Diese LFN-Ereignisse waren aufgrund ihrer variablen Pulsformen, die oft niederenergetischen Signalen aus Teilchenwechselwirkungen ähnelten, schwer zu entfernen. In der abschließenden Analyse wurde ein strenges Kriterium für die Ereignisauswahl auf den Datensatz angewendet, um die LFN-Ereignisse zu entfernen. Dadurch wurde jedoch die Energieschwelle erhöht und die Signaleffizienz bei niedrigen Energien gesenkt, was die Empfindlichkeit des Experiments für Wechselwirkungen leichter DM-Teilchen verringerte.
In dieser Arbeit wurde ein neues LFN-Auswahlkriterium mithilfe von maschinellem Lernen entwickelt. Dieser Ansatz zielt darauf ab, die Signaleffizienz zu verbessern und gleichzeitig die Signalreinheit zu erhalten. Es werden zwei neuronale Netzwerkarchitekturen betrachtet: ein Convolutional Neural Network (CNN) und ein CNN kombiniert mit Long Short-Term Memory (LSTM). Der CDMSlite-Detektor verfügt über vier Phonon-Signalkanäle; daher wird die LFN-Identifizierung anhand einzelner Kanäle, der Phonon-Kanalsumme und von Mehrkanal-Konfigurationen untersucht. Die LFN-Hintergrundproben für das Training basieren auf Daten. Es wird eine neuartige Methode zur Erzeugung von Signalproben unter Verwendung von Pulsformen und Regression entwickelt. Sowohl diese Methode als auch Standard-Phonon-Signalvorlagen, sogenannte Templates, werden zur Erzeugung von Signalproben verwendet. Unter den getesteten Kanalkonfigurationen und neuronalen Netzwerkarchitekturen schneidet die Mehrkanalkonfiguration mit einer CNN-Architektur in Bezug auf Signaleffizienz und -reinheit am besten ab. Dieses Netzwerk wird auf die Daten von CDMSlite Run 3 angewendet, um LFN-Ereignisse zu entfernen.
Das resultierende Spektrum zeigt zusätzliche Ereignisse im Vergleich zu dem Spektrum, das mit dem vorherigen LFN-Auswahlkriterium erhalten wurde. Ausschlussgrenzen werden für den spinunabhängigen DM-Nukleonen-Wirkungsquerschnitt für DM-Massen zwischen 1GeV/c2 und 10GeV/c2 bestimmt. Die neuen Ergebnisse stimmen mit der vorherigen Analyse überein, wobei die Empfindlichkeit im DM-Massenbereich von 2,4GeV/c2 bis 5GeV/c2 um bis zu 17,5% verbessert wurde. Die Verbesserung der Signaleffizienz, die sich aus der Verwendung des ML-basierten LFN-Auswahlkriteriums ergibt, wird durch die Anwendung eines Radius-Auswahlkriteriums begrenzt. Daher werden Fallstudien ohne das Radius-Auswahlkriteriums durchgeführt, um dessen Auswirkungen zu untersuchen, was das Potenzial des ML-basierten LFN-Schnitts im Parameterraum der leichten DM-Teilchen demonstriert. Die Empfindlichkeiten werden bis zu DM-Massen von 0,8GeV/c2 ausgedehnt, mit Verbesserungen der Empfindlichkeit um bis zu drei Größenordnungen unter 1.2GeV/c2.
cryogenic temperatures. During the final phase of the Cryogenic Dark Matter Search low ionization threshold experiment (CDMSlite), vibrations originating from the cooling system were observed. These vibrations generated broadband low-frequency noise (LFN), which frequently triggered the detector. These LFN events were challenging to remove due to their variable pulse shapes, which often resembled low-energy signals produced by particle interactions. In the final analysis, a strict event selection criterion was applied to the dataset to remove the LFN events. However, this increased the energy threshold and lowered the signal efficiency, reducing the experiment’s sensitivity to low-mass DM interactions. In this work, a new LFN selection criterion using machine learning is presented. This approach aims to improve the signal efficiency while maintaining the signal purity. Two neural network architectures are considered: a Convolutional Neural Network (CNN) and a CNN combined with Long Short-Term Memory (LSTM). The CDMSlite detector has four phonon signal channels; therefore, LFN identification is probed using individual channels, the sum of the phonon channels, and multi-channel configurations. The LFN-background samples for training are data-driven. A novel method for signal sample generation using pulse shapes and regression is developed. Both this method and standard phonon signal templates are used for generating signal samples. Among the tested channel configurations and neural network architectures, the multi-channel configuration with a CNN architecture performs the best in terms of signal efficiency and purity. This network is used on the CDMSlite Run 3 data to remove LFN events. The final spectrum reveals additional events compared to the spectrum obtained with the previous LFN selection criterion. Exclusion limits on the spin-independent DM-nucleon cross-section are calculated for DM masses between 1 GeV/c2 and 10 GeV/c2. The new results are consistent with the previous analysis, with an improvement in sensitivity up to ~17.5% in the DM mass range of 2.4 GeV/c2 to 5 GeV/c2. The gain in signal efficiency due to the ML-based LFN cut is limited by the application of a fiducial volume selection criterion. Therefore, case studies are conducted excluding the fiducial volume selection criterion to investigate its impact, which demonstrates the potential of the ML-based LFN cut in the low-mass DM parameter space. The sensitivities are extended down to DM masses of 0.8 GeV/c2, with improvements in sensitivity of up to three orders of magnitude below 1.2 GeV/c2.