Analytical and Machine Learning Methods for Model Discernment at CE$\nu$NS Experiments

إليك ملخص تقني مفصل للورقة البحثية بعنوان "الطرق التحليلية وتعلم الآلة لتمييز النماذج في تجارب CEνNS" (MI-HET-882).

1. بيان المشكلة

تواجه تجارب النيوترينو، وخاصة تلك التي تبحث عن فيزياء ما وراء النموذج القياسي (BSM)، قيوداً غالباً بسبب الإحصائيات المنخفضة، والشكوك المنهجية الكبيرة (خاصة في تطبيع التدفق)، والتقسيم الخشن للملاحظات (binning). هذه العوامل تعيق القدرة على التمييز بين النماذج النظرية المتنافسة التي قد تنتج معدلات أحداث متشابهة (العوائد الشاملة).

تتناول الورقة تحديداً تحدي تمييز النماذج (model discernment) في تجارب التشتت المرن للنيوترينو مع النواة (CEνNS) عند مصادر توقف البيونات. تكمن المشكلة الجوهرية في تحديد ما إذا كان الشذوذ الملحوظ ناتجاً عن:

1. تذبذبات النيوترينو العقيم (Sterile Neutrino Oscillations) (تحديداً إطار عمل $3+1$)، والتي تؤدي إلى استنزاف تدفق النيوترينوات النشطة عبر التذبذب.
2. التفاعلات غير القياسية (NSI)، والتي تعدل قوة تفاعل النيوترينوات النشطة مع المادة.

التحليلات التقليدية التي تعتمد فقط على إجمالي معدلات الأحداث تكون عرضة لشكوك تطبيع التدفق وللتداخلات (degeneracies) حيث يمكن للنماذج المختلفة أن تحاكي بعضها البعض. يبحث المؤلفون في مدى إمكانية استعادة القدرة التمييزية من خلال استخدام معلومات الشكل متعددة الأبعاد (الارتباطات في خط الأساس، وطاقة الارتداد، والتوقيت) بدلاً من مجرد المعدلات الإجمالية.

2. المنهجية

تستخدم الدراسة نهجين: نهج الاحتمالية القائم على الاحتمال (Likelihood-Based Analysis) التقليدي، ونهج تعلم الآلة (ML) باستخدام الشبكات العصبية الالتفافية (CNNs).

أ. إعداد الفيزياء المرجعي

• البيئة: مصدر افتراضي لتوقف البيونات (مشابه لتجارب COHERENT أو CCM) مع عدة كواشف CsI موضوعة عند خطوط أساس تتراوح من 5 إلى 25 متراً.
• الإشارة: يتكون تدفق النيوترينو من مكون $\nu_\mu$ سريع (من اضمحلال $\pi^+$) ومكونات متأخرة من $\nu_e, \bar{\nu}_\mu$ (من اضمحلال $\mu^+$).
• الملاحظات: يستخدم التحليل توزيعاً ثلاثي الأبعاد:
  1. خط الأساس ($L$): المسافة من المصدر.
  2. طاقة الارتداد ($E_{rec}$): طاقة الارتداد النووي.
  3. التوقيت ($t$): التمييز بين المكونات السريعة والمتأخرة.
• سيناريوهات ما وراء النموذج القياسي (BSM):
  • السيناريو الأول ($3+1$ العقيم): يتميز بمعاملات الخلط $|U_{e4}|^2, |U_{\mu4}|^2$ وفارق الكتلة $\Delta m^2_{41}$. تظهر الإشارة كاستنزاف تذبذبي للتدفق.
  • السيناريو الثاني (NSI للتيار المحايد): يتميز بالاقترانات الفعالة $\epsilon_{ee}^{uV}, \epsilon_{ee}^{dV}$. تظهر الإشارة كتعديل في الشحنة الضعيفة الفعالة ومعدل التشتت.

ب. الإطار الإحصائي

• تحليل الاحتمالية (Likelihood Analysis): يبني المؤلفون دالة احتمالية مجزأة تتضمن معامل شائك لشك عدم اليقين في تطبيع التدفق ($\eta$). يستخدمون معيار المعلومات البايزي (BIC) لمقارنة ملاءمة فرضية النيوترينو العقيم مقابل أفضل فرضية لـ NSI.
• بنية تعلم الآلة:
  • المدخلات: تُعامل توزيعات الأحداث المجزأة كـ "صور" حيث يشكل مستوى (الأساس-الطاقة) الأبعاد المكانية وتعمل فئات التوقيت كقنوات لونية ($L \times E \times T$).
  • النموذج: شبكة عصبية تلافيفية (CNN) ضحلة مع تنشيط ReLU، وتطبيع الدفعة (batch normalization)، وتجميع أقصى (max-pooling)، وإسقاط (dropout).
  • المعالجة المسبقة الحاسمة: لاختبار ما إذا كان التمييز يعتمد على الشكل أم على المعدل الإجمالي، يتم تطبيع جميع مجموعات البيانات الوهمية (pseudo-datasets) إلى معدل أحداث مشترك قبل تغذيتها في الشبكة. هذا يستبعد صراحةً معلومات تطبيع التدفق.
  • المهام:
    1. التصنيف الثنائي: التمييز بين مجموعة بيانات ناتجة عن نموذج عقيم ونظيرتها الأفضل ملاءمة من نموذج NSI.
    2. التصنيف متعدد الفئات: تحديد الموقع المحدد لنقطة مرجعية عقيمة ضمن شبكة فضاء المعلمات ($20 \times 20$).

3. المساهمات الرئيسية

1. تكميم معلومات الشكل: تثبت الورقة أن معلومات الشكل متعددة الأبعاد (خط الأساس، الطاقة، التوقيت) تحتوي على قدرة تمييزية حقيقية مستقلة عن معدلات الأحداث الإجمالية.
2. تعلم الآلة كأداة غير حساسة للمعدل: من خلال تدريب الشبكات الالتفافية (CNNs) على بيانات مطبعة المعدل، يثبت المؤلفون أن تعلم الآلة يمكنه التمييز بفعالية بين الفيزياء الجديدة القائمة على التذبذب (العقيمة) والتفاعل (NSI) دون الاعتماد على تطبيع التدفق، والذي غالباً ما يكون هو الشك المنهجي المهيمن.
3. تحديد موقع المعلمات: تتجاوز الدراسة مجرد اختيار النموذج لتظهر أن تعلم الآلة يمكنه إجراء تحديد تقريبي لموقع المعلمات (تحديد قيم $|U_{e4}|^2$ و $\Delta m^2_{41}$) ضمن فضاء المعلمات العقيمة، بشرهُ توفر إشارة تذبذب قوية بما يكفي.
4. تكامل الطرق: يضع العمل إطاراً تلعب فيه طرق الاحتمالية التقليدية وطرق تعلم الآلة أدواراً متكاملة، حيث يوفر تعلم الآلة المتانة ضد شكوك التطبيع.

4. النتائج الرئيسية

أ. التمييز القائم على الاحتمالية

• فشل التقسيم الشامل (Inclusive Binning): عندما يتم دمج البيانات في حيز واحد ({1,1,1})، تكون القدرة التمييزية ضئيلة ($L_{NSI} \approx 1$)، حيث يمكن لكلا النموذجين محاكاة بعضهما البعض عبر تعديلات المعدل.
• الحساسية للشكل: يؤدي إدخال التقسيم متعدد الأبعاد إلى تحسين التمييز بشكل كبير.
  • خط الأساس والطاقة: هما أهم المميِّزات. فالنمط التذبذبي للنيوترينو العقيم (الذي يعتمد على $L/E_\nu$) لا يمكن محاكاته بواسطة تعديلات المعدل السلسة لـ NSI.
  • التوقيت: يوفر تحسيناً ثانوياً ومفيداً من خلال فصل المكونات السريعة والمتأخرة.
• التداخل (Degeneracy): في المناطق ذات زوايا الخلط الصغيرة أو فروق الكتلة الكبيرة جداً (حيث تتلاشى التذبذبات)، يمكن لنموذج NSI محاكاة إشارة النيوترينو العقيم، مما يؤدي إلى تمييز ضعيف.

ب. أداء تعلم الآلة

• التصنيف الثنائي:
  • تحقق الشبكة العصبية الالتفافية (CNN) دقة عالية (تصل إلى ~0.9–1.0) في التمييز بين سيناريوهات العقيم مقابل NSI في المناطق التي يظهر فيها تحليل الاحتمالية تمييزاً قوياً أيضاً.
  • الاستقلال عن المعدل: من الأهمية بمكان أن هذه الدقة العالية يتم الحفاظ عليها حتى عند إزالة معدل الأحداث الإجمالي من المدخلات. وهذا يؤكد أن الشبكة العصبية تتعلم سمات شكل التذبذب بدلاً من اختلافات التطبيع.
• التصنيف متعدد الفئات (التحديد الموقعي):
  • يمكن للشبكة تحديد الموقع التقريبي للنقطة المرجعية العقيمة في فضاء المعلمات بنجاح.
  • الحساسية الاتجاهية: إعادة البناء أكثر دقة لمعلم الخلط $|U_{e4}|^2$ (المحور الأفقي) مقارنة بـ $\Delta m^2_{41}$ (المحور الرأسي). وهذا أمر منطقي فيزيائياً: التحكم في الخلط يحدد سعة التشوه (سهل الرصد)، بينما يتحكم فارق الكتلة في التردد/الطول الموجي (سهل التلاشي بسبب التقسيم ودقة الطاقة).
  • الاعتماد على التقسيم (Binning): يحسن التقسيم الأدق في خط الأساس والطاقة دقة التحديد الموقعي بشكل كبير، بينما يضيف التوقيت فائدة هامشية.

5. الأهمية والآثار

• من الشذوذ إلى التفسير: توفر الورقة مساراً للانتقال بفيزياء النيوترينو من مجرد اكتشاف شذوذ إلى تفسير أصله الفيزيائي. وتوضح أنه حتى مع الإحصائيات المحدودة والشكوك الكبيرة، يمكن لـ بنية البيانات أن تكشف عن الآلية الكامنة.
• المتانة تجاه الشكوك المنهجية: يثبت نهج تعلم الآلة أن الاستراتيجيات غير الحساسة للمعدل هي استراتيجيات قابلة للتطبيق. وهذا أمر بالغ الأهمية للتجارب المستقبلية حيث قد يكون من الصعب ضبط تطبيع التدفق (مثل مصادر المفاعلات أو توقف البيونات).
• التصميم التجريبي: تسلط النتائج الضوء على أهمية قياسات خطوط الأساس المتعددة والطاقة عالية الدقة. التجارب ذات الكاشف الواحد أو التقسيم الخشن ستواجه صعوبة في التمييز بين النيوترينوات العقيمة وNSI.
• القابلية للتطبيق الأوسع: التقنيات المطورة هنا قابلة للتطبيق في عمليات البحث عن القطاع المظلم الأخرى، مثل التمييز بين إشارات المادة المظلمة الخفيفة وتفسيرات NSI أو النيوترينو العقيم.

في الختام، تثبت الورقة أن المعلومات المترابطة متعددة الأبعاد في تجارب CEνNS هي أداة قوية لتمييز النماذج. ومن خلال الاستفوت من كل من الأساليب الإحصائية التقليدية وتعلم الآلة الحديث، يمكن للباحثين التمييز بفعالية بين سيناريوهات الفيزياء الجديدة المتنافسة وتحديد معالم الفيزياء الجديدة، حتى في ظل وجود شكوك كبيرة في التطبيع.