Analytical and Machine Learning Methods for Model Discernment at CENS Experiments
Este artículo demuestra que, en experimentos de dispersión coherente neutrino-núcleo (CENS), el uso de información multidimensional sobre la forma de la distribución (basal, energía de retroceso y tiempo) mediante análisis estadísticos y redes neuronales permite distinguir y localizar modelos de nueva física, como neutrinos estériles e interacciones no estándar, superando las limitaciones de incertidumbre en la tasa total de eventos.