German Title: Anwendung künstlicher neuronaler Netze in GERDA für die Suche nach neutrinoloser doppelter β-Zerfall von 76Ge

Preview

PDF, English - main document Download (17MB) | Lizenz: Rights reserved - Free Access

Abstract

The GERmanium Detector Array (GERDA) experiment, located underground at the Laboratori Nazionali del Gran Sasso (LNGS) in Italy, is dedicated to the search for neutrinoless double beta decay (0νββ) in 76 Ge. Such a discovery would provide evidence that neutrinos are Majorana particles and challenge the Standard Model of particle physics by violating lepton number conservation. This thesis presents the development and application of robust artificial neural network (ANN)-based classification models for pulse shape discrimination (PSD) within the GERDA experiment, specifically tailored for the high-purity germanium (HPGe) detectors of semi-coaxial geometry. The goal is to improve the experimental sensitivity to 0νββ events by suppressing the background in GERDA. The semi-coaxial detectors represent ~49% of total 127.2 kg.yr exposure in GERDA. For each of the semi-coaxial detectors, 1-d CNN-based models were trained for classification tasks to discriminate the surface and gamma-induced backgrounds, which suppress the background index at Qββ by ~65%, achieving a background index of 8.3 × 10^-3 cts/(keV. kg. yr ) and 0.59 × 10^-3 cts/(keV. kg. yr ) in Phase I and PhaseII, respectively. No signal is observed, and a limit on the half-life of 0νββ decay of 76Ge is set at T1/2 > 1.8 × 10^26 yr at 90% C.L and the sensitivity coincides with the limit.

Translation of abstract (German)

Das GERmanium Detector Array (GERDA)-Experiment, das sich unterirdisch in den Laboratori Nazionali del Gran Sasso (LNGS) in Italien befindet, ist der Suche nach dem neutrinolosen doppelten Betazerfall (0νββ) in 76 Ge gewidmet. Ein solcher Fund würde den Nachweis erbringen, dass Neutrinos Majorana-Teilchen sind, und das Standardmodell der Teilchenphysik durch Verletzung der Leptonenzahlerhaltung infrage stellen. Diese Dissertation stellt die Entwicklung und Anwendung robuster, auf künstlichen neuronalen Netzen (ANN) basierender Klassifikationsmodelle zur Pulssignal-Diskriminierung (PSD) im GERDA-Experiment vor, die speziell für HPGe detektoren mit semi-koaxialer Geometrie entwickelt wurde. Das Ziel ist es, die experimentelle Empfindlichkeit für 0νββ-Ereignisse zu verbessern, indem der Untergrund in GERDA unterdrückt wird. Die semi-koaxialen Detektoren machen etwa 49% der gesamten 127,2 kg·Jahre-Exposition in GERDA aus. Für jeden der semi-koaxialen Detektoren wurden 1D-CNN-basierte Modelle für Klassifikationsaufgaben trainiert, um zwischen Oberflächen- und gammastrahlungsinduzierten Untergründen zu unterscheiden, wodurch der Untergrundindex bei Qββ um etwa 65% reduziert werden konnte. Dies führte zu einem Untergrundindex von 8.3 × 10^-3 cts/(keV·kg·Jahr) in Phase I und 0.59 × 10^-3 cts/(keV·kg·Jahr) in Phase II. Es wurde kein Signal beobachtet, und die Halbwertszeit des 0νββ Zerfalls von 76Ge wurde mit einer Grenze von T1/2 > 1.8 × 10^26 Jahren bei einem Konfidenzniveau von 90% festgelegt Und die Empfindlichkeit fällt mit der Grenze zusammen.