Cover Image

Enhancing Neutrinoless Double-Beta Decay Sensitivity of Liquid-Xenon Time Projection Chamber with Augmented Convolutional Neural Network

Fuente: arXiv

Saved in:

Bibliographic Details
Main Authors:	Aprile, E., Aalbers, J., Abe, K., Adrover, M., Maouloud, S. Ahmed, Althueser, L., Andrieu, B., Angelino, E., Martin, D. Antón, Armbruster, S. R., Arneodo, F., Baudis, L., Bazyk, M., Bellagamba, L., Biondi, R., Bismark, A., Boese, K., Braun, R. M., Bruni, G., Bruno, G., Budnik, R., Cai, C., Capelli, C., Cardoso, J. M. R., Chávez, A. P. Cimental, Colijn, A. P., Conrad, J., Cuenca-García, J. J., D'Andrea, V., Garcia, L. C. Daniel, Decowski, M. P., Deisting, A., Di Donato, C., Di Gangi, P., Diglio, S., Eitel, K., Morabit, S. el, Elleboro, R., Elykov, A., Ferella, A. D., Ferrari, C., Fischer, H., Flehmke, T., Flierman, M., Frankel, R., Fuchs, D., Fulgione, W., Fuselli, C., Gaior, R., Gao, F., Giacomobono, R., Girard, F., Glade-Beucke, R., Grandi, L., Grigat, J., Guan, H., Guida, M., Gyorgy, P., Hammann, R., Higuera, A., Hils, C., Hoetzsch, L., Hood, N. F., Iacovacci, M., Itow, Y., Jakob, J., Joerg, F., Kaminaga, Y., Kara, M., Kazama, S., Kharbanda, P., Kobayashi, M., Koke, D., Kooshkjalali, K., Kopec, A., Landsman, H., Lang, R. F., Levinson, L., Li, A., Li, I., Li, S., Liang, S., Liang, Z., Lin, Y. -T., Lindemann, S., Lindner, M., Liu, K., Liu, M., Lombardi, F., Lopes, J. A. M., Lucchetti, G. M., Luce, T., Ma, Y., Macolino, C., Mahlstedt, J., Marignetti, F., Undagoitia, T. Marrodán, Martens, K., Masbou, J., Mastroianni, S., Mazza, V., Melchiorre, A., Merz, J., Messina, M., Michel, A., Miuchi, K., Molinario, A., Moriyama, S., Morå, K., Murra, M., Müller, J., Ni, K., Ishikawa, C. T. Oba, Oberlack, U., Ouahada, S., Paetsch, B., Pan, Y., Pellegrini, Q., Peres, R., Pienaar, J., Pierre, M., Plante, G., Pollmann, T. R., Prajapati, A., Principe, L., Qin, J., García, D. Ramírez, Ravindran, A., Razeto, A., Singh, R., Sanchez, L., Santos, J. M. F. dos, Sarnoff, I., Sartorelli, G., Schreiner, J., Schulte, P., Eißing, H. Schulze, Schumann, M., Lavina, L. Scotto, Selvi, M., Semeria, F., Semler, F. N., Shagin, P., Shi, S., Simgen, H., Song, Z., Stevens, A., Szyszka, C., Takeda, A., Takeuchi, Y., Tan, P. -L., Thers, D., Trinchero, G., Tunnell, C. D., Valerius, K., Vecchi, S., Vetter, S., Volta, G., Weinheimer, C., Weiss, M., Wenz, D., Wittweg, C., Wu, V. H. S., Xing, Y., Xu, D., Xu, Z., Yamashita, M., Yang, J., Yang, L., Ye, J., Yoshida, M., Yuan, L., Zavattini, G., Zhao, Y., Zhong, M., Zhu, T.
Format:	Preprint
Published:	2026
Subjects:	Instrumentation and Detectors High Energy Physics - Experiment Data Analysis, Statistics and Probability
Online Access:	Acceder al recurso
Tags:	Add Tag No Tags, Be the first to tag this record!

_version_	1866910070149742592
author	Aprile, E. Aalbers, J. Abe, K. Adrover, M. Maouloud, S. Ahmed Althueser, L. Andrieu, B. Angelino, E. Martin, D. Antón Armbruster, S. R. Arneodo, F. Baudis, L. Bazyk, M. Bellagamba, L. Biondi, R. Bismark, A. Boese, K. Braun, R. M. Bruni, G. Bruno, G. Budnik, R. Cai, C. Capelli, C. Cardoso, J. M. R. Chávez, A. P. Cimental Colijn, A. P. Conrad, J. Cuenca-García, J. J. D'Andrea, V. Garcia, L. C. Daniel Decowski, M. P. Deisting, A. Di Donato, C. Di Gangi, P. Diglio, S. Eitel, K. Morabit, S. el Elleboro, R. Elykov, A. Ferella, A. D. Ferrari, C. Fischer, H. Flehmke, T. Flierman, M. Frankel, R. Fuchs, D. Fulgione, W. Fuselli, C. Gaior, R. Gao, F. Giacomobono, R. Girard, F. Glade-Beucke, R. Grandi, L. Grigat, J. Guan, H. Guida, M. Gyorgy, P. Hammann, R. Higuera, A. Hils, C. Hoetzsch, L. Hood, N. F. Iacovacci, M. Itow, Y. Jakob, J. Joerg, F. Kaminaga, Y. Kara, M. Kazama, S. Kharbanda, P. Kobayashi, M. Koke, D. Kooshkjalali, K. Kopec, A. Landsman, H. Lang, R. F. Levinson, L. Li, A. Li, I. Li, S. Liang, S. Liang, Z. Lin, Y. -T. Lindemann, S. Lindner, M. Liu, K. Liu, M. Lombardi, F. Lopes, J. A. M. Lucchetti, G. M. Luce, T. Ma, Y. Macolino, C. Mahlstedt, J. Marignetti, F. Undagoitia, T. Marrodán Martens, K. Masbou, J. Mastroianni, S. Mazza, V. Melchiorre, A. Merz, J. Messina, M. Michel, A. Miuchi, K. Molinario, A. Moriyama, S. Morå, K. Murra, M. Müller, J. Ni, K. Ishikawa, C. T. Oba Oberlack, U. Ouahada, S. Paetsch, B. Pan, Y. Pellegrini, Q. Peres, R. Pienaar, J. Pierre, M. Plante, G. Pollmann, T. R. Prajapati, A. Principe, L. Qin, J. García, D. Ramírez Ravindran, A. Razeto, A. Singh, R. Sanchez, L. Santos, J. M. F. dos Sarnoff, I. Sartorelli, G. Schreiner, J. Schulte, P. Eißing, H. Schulze Schumann, M. Lavina, L. Scotto Selvi, M. Semeria, F. Semler, F. N. Shagin, P. Shi, S. Simgen, H. Song, Z. Stevens, A. Szyszka, C. Takeda, A. Takeuchi, Y. Tan, P. -L. Thers, D. Trinchero, G. Tunnell, C. D. Valerius, K. Vecchi, S. Vetter, S. Volta, G. Weinheimer, C. Weiss, M. Wenz, D. Wittweg, C. Wu, V. H. S. Xing, Y. Xu, D. Xu, Z. Yamashita, M. Yang, J. Yang, L. Ye, J. Yoshida, M. Yuan, L. Zavattini, G. Zhao, Y. Zhong, M. Zhu, T.
author_facet	Aprile, E. Aalbers, J. Abe, K. Adrover, M. Maouloud, S. Ahmed Althueser, L. Andrieu, B. Angelino, E. Martin, D. Antón Armbruster, S. R. Arneodo, F. Baudis, L. Bazyk, M. Bellagamba, L. Biondi, R. Bismark, A. Boese, K. Braun, R. M. Bruni, G. Bruno, G. Budnik, R. Cai, C. Capelli, C. Cardoso, J. M. R. Chávez, A. P. Cimental Colijn, A. P. Conrad, J. Cuenca-García, J. J. D'Andrea, V. Garcia, L. C. Daniel Decowski, M. P. Deisting, A. Di Donato, C. Di Gangi, P. Diglio, S. Eitel, K. Morabit, S. el Elleboro, R. Elykov, A. Ferella, A. D. Ferrari, C. Fischer, H. Flehmke, T. Flierman, M. Frankel, R. Fuchs, D. Fulgione, W. Fuselli, C. Gaior, R. Gao, F. Giacomobono, R. Girard, F. Glade-Beucke, R. Grandi, L. Grigat, J. Guan, H. Guida, M. Gyorgy, P. Hammann, R. Higuera, A. Hils, C. Hoetzsch, L. Hood, N. F. Iacovacci, M. Itow, Y. Jakob, J. Joerg, F. Kaminaga, Y. Kara, M. Kazama, S. Kharbanda, P. Kobayashi, M. Koke, D. Kooshkjalali, K. Kopec, A. Landsman, H. Lang, R. F. Levinson, L. Li, A. Li, I. Li, S. Liang, S. Liang, Z. Lin, Y. -T. Lindemann, S. Lindner, M. Liu, K. Liu, M. Lombardi, F. Lopes, J. A. M. Lucchetti, G. M. Luce, T. Ma, Y. Macolino, C. Mahlstedt, J. Marignetti, F. Undagoitia, T. Marrodán Martens, K. Masbou, J. Mastroianni, S. Mazza, V. Melchiorre, A. Merz, J. Messina, M. Michel, A. Miuchi, K. Molinario, A. Moriyama, S. Morå, K. Murra, M. Müller, J. Ni, K. Ishikawa, C. T. Oba Oberlack, U. Ouahada, S. Paetsch, B. Pan, Y. Pellegrini, Q. Peres, R. Pienaar, J. Pierre, M. Plante, G. Pollmann, T. R. Prajapati, A. Principe, L. Qin, J. García, D. Ramírez Ravindran, A. Razeto, A. Singh, R. Sanchez, L. Santos, J. M. F. dos Sarnoff, I. Sartorelli, G. Schreiner, J. Schulte, P. Eißing, H. Schulze Schumann, M. Lavina, L. Scotto Selvi, M. Semeria, F. Semler, F. N. Shagin, P. Shi, S. Simgen, H. Song, Z. Stevens, A. Szyszka, C. Takeda, A. Takeuchi, Y. Tan, P. -L. Thers, D. Trinchero, G. Tunnell, C. D. Valerius, K. Vecchi, S. Vetter, S. Volta, G. Weinheimer, C. Weiss, M. Wenz, D. Wittweg, C. Wu, V. H. S. Xing, Y. Xu, D. Xu, Z. Yamashita, M. Yang, J. Yang, L. Ye, J. Yoshida, M. Yuan, L. Zavattini, G. Zhao, Y. Zhong, M. Zhu, T.
contents	Dual-phase time projection chamber (TPC) that employs a multi-ton-scale liquid xenon (LXe) target mass is a pioneering detector technology to search for dark matter. Beyond its advantage in dark matter direct detection efforts, the natural xenon target allows it to search for the neutrinoless double-beta decay ($0νββ$) process, which would violate lepton number conservation and indicate that neutrinos are Majorana particles. However, such $0νββ$ searches have been limited by gamma-ray backgrounds originating from the detector materials. In this work, we designed an augmented convolutional neural network (A-CNN) model to extract additional event-topology information from detector data. Using simulation and calibration data from XENONnT, a leading LXe TPC experiment, our model achieved over 60% background rejection while maintaining 90% signal acceptance. This rejection power improves XENONnT's projected sensitivity of the $^{136}$Xe $0νββ$ search by about 40%. The implementation of A-CNN in the data analysis of future liquid xenon observatories, such as XLZD, will further enhance their sensitivities for $0νββ$ with $^{136}$Xe.
format	Preprint
id	arxiv_https___arxiv_org_abs_2603_23549
institution	arXiv
publishDate	2026
record_format	arxiv
spellingShingle	Enhancing Neutrinoless Double-Beta Decay Sensitivity of Liquid-Xenon Time Projection Chamber with Augmented Convolutional Neural Network Aprile, E. Aalbers, J. Abe, K. Adrover, M. Maouloud, S. Ahmed Althueser, L. Andrieu, B. Angelino, E. Martin, D. Antón Armbruster, S. R. Arneodo, F. Baudis, L. Bazyk, M. Bellagamba, L. Biondi, R. Bismark, A. Boese, K. Braun, R. M. Bruni, G. Bruno, G. Budnik, R. Cai, C. Capelli, C. Cardoso, J. M. R. Chávez, A. P. Cimental Colijn, A. P. Conrad, J. Cuenca-García, J. J. D'Andrea, V. Garcia, L. C. Daniel Decowski, M. P. Deisting, A. Di Donato, C. Di Gangi, P. Diglio, S. Eitel, K. Morabit, S. el Elleboro, R. Elykov, A. Ferella, A. D. Ferrari, C. Fischer, H. Flehmke, T. Flierman, M. Frankel, R. Fuchs, D. Fulgione, W. Fuselli, C. Gaior, R. Gao, F. Giacomobono, R. Girard, F. Glade-Beucke, R. Grandi, L. Grigat, J. Guan, H. Guida, M. Gyorgy, P. Hammann, R. Higuera, A. Hils, C. Hoetzsch, L. Hood, N. F. Iacovacci, M. Itow, Y. Jakob, J. Joerg, F. Kaminaga, Y. Kara, M. Kazama, S. Kharbanda, P. Kobayashi, M. Koke, D. Kooshkjalali, K. Kopec, A. Landsman, H. Lang, R. F. Levinson, L. Li, A. Li, I. Li, S. Liang, S. Liang, Z. Lin, Y. -T. Lindemann, S. Lindner, M. Liu, K. Liu, M. Lombardi, F. Lopes, J. A. M. Lucchetti, G. M. Luce, T. Ma, Y. Macolino, C. Mahlstedt, J. Marignetti, F. Undagoitia, T. Marrodán Martens, K. Masbou, J. Mastroianni, S. Mazza, V. Melchiorre, A. Merz, J. Messina, M. Michel, A. Miuchi, K. Molinario, A. Moriyama, S. Morå, K. Murra, M. Müller, J. Ni, K. Ishikawa, C. T. Oba Oberlack, U. Ouahada, S. Paetsch, B. Pan, Y. Pellegrini, Q. Peres, R. Pienaar, J. Pierre, M. Plante, G. Pollmann, T. R. Prajapati, A. Principe, L. Qin, J. García, D. Ramírez Ravindran, A. Razeto, A. Singh, R. Sanchez, L. Santos, J. M. F. dos Sarnoff, I. Sartorelli, G. Schreiner, J. Schulte, P. Eißing, H. Schulze Schumann, M. Lavina, L. Scotto Selvi, M. Semeria, F. Semler, F. N. Shagin, P. Shi, S. Simgen, H. Song, Z. Stevens, A. Szyszka, C. Takeda, A. Takeuchi, Y. Tan, P. -L. Thers, D. Trinchero, G. Tunnell, C. D. Valerius, K. Vecchi, S. Vetter, S. Volta, G. Weinheimer, C. Weiss, M. Wenz, D. Wittweg, C. Wu, V. H. S. Xing, Y. Xu, D. Xu, Z. Yamashita, M. Yang, J. Yang, L. Ye, J. Yoshida, M. Yuan, L. Zavattini, G. Zhao, Y. Zhong, M. Zhu, T. Instrumentation and Detectors High Energy Physics - Experiment Data Analysis, Statistics and Probability Dual-phase time projection chamber (TPC) that employs a multi-ton-scale liquid xenon (LXe) target mass is a pioneering detector technology to search for dark matter. Beyond its advantage in dark matter direct detection efforts, the natural xenon target allows it to search for the neutrinoless double-beta decay ($0νββ$) process, which would violate lepton number conservation and indicate that neutrinos are Majorana particles. However, such $0νββ$ searches have been limited by gamma-ray backgrounds originating from the detector materials. In this work, we designed an augmented convolutional neural network (A-CNN) model to extract additional event-topology information from detector data. Using simulation and calibration data from XENONnT, a leading LXe TPC experiment, our model achieved over 60% background rejection while maintaining 90% signal acceptance. This rejection power improves XENONnT's projected sensitivity of the $^{136}$Xe $0νββ$ search by about 40%. The implementation of A-CNN in the data analysis of future liquid xenon observatories, such as XLZD, will further enhance their sensitivities for $0νββ$ with $^{136}$Xe.
title	Enhancing Neutrinoless Double-Beta Decay Sensitivity of Liquid-Xenon Time Projection Chamber with Augmented Convolutional Neural Network
topic	Instrumentation and Detectors High Energy Physics - Experiment Data Analysis, Statistics and Probability
url	https://arxiv.org/abs/2603.23549