Eventos de carga pontual em CONNIE: simulações e análise com redes neurais convolucionais

O experimento CONNIE (Coherent Neutrino Nucleus Interaction Experiment) opera próximo ao reator nuclear de Angra 2 e tem como principal objetivo detectar, pela primeira vez em silício, o espalhamento elástico coerente de antineutrinos com núcleos (CEνNS). Esse tipo de interações produz sinais mensuráveis da ordem de poucos keV, o que requer tecnologias com baixíssimo limiar de detecção. Em meados de 2021, CONNIE passou a utilizar uma tecnologia inovadora de detecção, os Skipper-CCDs. Estes sensores semicondutores pixelados se destacam por seu processo de leitura sequencial e não destrutivo, que permite multiplas medições das cargas acumuladas em cada pixel. Devido a este mecanismo, os Skipper-CCDs alcan，cam ruídos de leitura subeletrônicos, o que os torna especialmente apropriados para detectar interações fracas, como CEνNS. Neste contexto de altíssima sensibilidade, um dos maiores desafios está na rejeição de ruído de fundo, para a identificação eficiente dos eventos candidatos a CEνNS. Uma forma de diferenciar estes eventos de outras interações que geram sinais similares de carga pontual, como raios X e fótons de baixas energias, é através da profundidade onde a ionização foi produzida. Atualmente, o algoritmo que o experimento utiliza para estimar essa profundidade é baseado em ajustes gaussianos, que são imprecisos para reconstruir profundidades de eventos gerados próximos à superfície dos sensores. Neste trabalho, desenvolvemos e otimizamos redes neurais convolucionais para estimar a profundidade de eventos de carga pontual em imagens de Skipper-CCD. Para possibilitar o treinamento e a validação destas redes, implementamos e validamos um código de simulação capaz de gerar imagens com eventos de diferentes energias e profundidades. Este código evoluiu para uma ferramenta útil em estudos complementares a este trabalho, permitindo investigar de forma mais ampla a resposta do sensor em diferentes condições de operação. A arquitetura mais adequada para o problema foi escolhida através de um estudo extensivo de hiperparâmetros. A performance obtida pela rede neural selecionada supera a do algoritmo usual de CONNIE, com predições mais acuradas e precisas em grandes profundidades