GPU-accelerated spectrum reweighting for new-physics searches in solar neutrino--electron scattering

Resumen Técnico: Reponderación de Espectros Acelerada por GPU para la Dispersión Neutrino Solar–Electrón

Planteamiento del Problema
Las mediciones de precisión de la dispersión elástica neutrino solar–electrón sirven como sondas sensibles para la física más allá del Modelo Estándar (BSM), incluyendo las Interacciones No Estándar (NSI) y los momentos magnéticos anómalos de los neutrinos. Estos nuevos efectos físicos modifican la sección eficaz diferencial, alterando tanto la tasa de eventos como la forma espectral de los electrones de retroceso. En los análisis de verosimilitud convencionales, probar una hipótesis de nueva física requiere propagar un espectro de retroceso modificado a través de un modelo de respuesta del detector derivado de simulaciones de Monte Carlo (MC) completas (por ejemplo, Geant4). Este proceso es computacionalmente prohibitivo cuando se realiza para cada punto en un espacio de parámetros multidimensional, ya que la regeneración de muestras de MC a nivel de detector para cada variación de parámetro domina el costo de los ajustes, escaneos y estudios de Monte Carlo de cadena de Markov (MCMC).

Metodología
Los autores proponen un marco de reponderación de espectros acelerado por GPU que desacopla la variación de los parámetros de la física de la simulación del detector. La metodología central se basa en los siguientes pasos:

1. Supuesto de Factorización: El marco asume que la respuesta del detector para un electrón de retroceso con una energía cinética dada $T$ es independiente de la interacción subyacente (Modelo Estándar, NSI o momento magnético). Consecuentemente, una única muestra de MC de referencia generada bajo la hipótesis del Modelo Estándar (SM) es suficiente para definir el mapeo entre la energía de retroceso real y los observables reconstruidos (por ejemplo, fotoelectrones).
2. Reponderación Bin a Bin: En lugar de regenerar muestras de MC, el método aplica pesos multiplicativos a los bins del espectro de energía de retroceso. Para un conjunto de parámetros de nueva física $\varepsilon$, el espectro de retroceso predicho se calcula como $f_T(T; \varepsilon) = r(T; \varepsilon) \cdot \hat{f}^{SM}_T(T)$, donde $r(T; \varepsilon)$ es la función de reponderación derivada de las secciones eficaces diferenciales modificadas.
3. Propagación de Respuesta Fija: El espectro reponderado se propaga a través de una matriz de respuesta del detector precalculada y bidimensional $R_{ij}$ (que mapea el bin de retroceso real $i$ al bin de observable reconstruido $j$). Esta matriz, derivada de Geant4, incluye efectos como el quenching de centelleo, la resolución de energía y la eficiencia de reconstrucción.
4. Implementación en GPU: El cálculo se implementa utilizando la biblioteca de plantillas NVIDIA Thrust, utilizando primitivas paralelas (transform, reduce, transform-reduce). El código está escrito en una única fuente que compila tanto para el backend CUDA (GPU) como para OpenMP (CPU). El flujo de trabajo involucra:
   • Actualización de Física: Cálculo de probabilidades de oscilación y secciones eficaces diferenciales en una rejilla cinemática discretizada.
   • Reponderación de MC: Aplicación de la función de reponderación al espectro de retroceso y convolución con la matriz de respuesta fija.
   • Evaluación de Verosimilitud: Acumulación del espectro predicho y evaluación del logaritmo de la verosimilitud de Poisson.

Contribuciones Clave

• Eficiencia Algorítmica: La principal aceleración se logra evitando la regeneración de muestras de MC a nivel de detector para cada punto de parámetro. Esto reduce el costo computacional de una actualización de parámetro de horas (simulación completa) a milisegundos (reponderación).
• Agnosticismo de Hardware: El marco está diseñado para ejecutarse tanto en GPUs de consumo comercial (por ejemplo, NVIDIA RTX 3080 Ti) como en aceleradores de centros de datos (por ejemplo, NVIDIA A30X), así como en CPUs multinúcleo, utilizando un código unificado.
• Validación: El método se valida contra una referencia analítica donde se conoce la solución exacta. La predicción de la reponderación reproduce la verdad analítica con una desviación integral inferior a $10^{-6}$ para una rejilla de retroceso de 2000 bins, confirmando que el error introducido por la aproximación a nivel de bin es despreciable en comparación con la escala de discretización.

Resultos

• Pruebas de Rendimiento:
  • En una GPU NVIDIA A30X de centro de datos, una única evaluación de verosimilitud toma aproximadamente 52 ms. Esto representa una aceleración de 58× respecto a un solo hilo de CPU y una aceleración de 2.5× respecto a una CPU de 64 hilos totalmente cargada.
  • En una NVIDIA RTX 3080 Ti de consumo, la evaluación toma aproximadamente 87 ms, permitiendo escaneos de parámetros interactivos en una sola estación de trabajo.
• Precisión: El marco recupera con éxito los parámetros inyectados en pruebas de "inyección-recuperación" tanto para NSI diagonales de sabor como para momentos magnéticos de neutrinos. La fuerte dependencia $1/T$ de la sección eficaz del momento magnético, que plantea una prueba rigurosa para la precisión del binning, se maneja con alta precisión.
• Escalabilidad: La implementación en GPU escala eficientemente; el cuello de botella computacional es la aplicación repetida del núcleo de respuesta, que está naturalmente paralelizada a través de los bins de energía reconstruida.

Significancia y Reivindicaciones
El artículo afirma que este marco permite escaneos de parámetros interactivos para análisis de dispersión neutrino solar–electrón en hardware accesible para investigadores individuales. Los autores enfatizan que la principal aceleración proviene de la estrategia algorítmica de evitar la regeneración de MC más que únicamente de la aceleración de hardware de la GPU. Si bien la GPU proporciona una mayor aceleración respecto a las CPUs multinúcleo, el valor del método reside en hacer que el modelado de detectores de alta fidelidad sea factible dentro de bucles de ajuste iterativos que anteriormente eran computacionalmente intratables.

El alcance está explícitamente limitado a escenarios donde la nueva física puede representarse como una reponderación de un espectro de retroceso existente (por ejemplo, NSI diagonales de sabor y momentos magnéticos) mientras la respuesta del detector permanece fija. Los autores señalan que los escenarios que involucran partículas de estado final cualitativamente diferentes o estructuras de cambio de sabor requerirían un formalismo adicional. El trabajo sirve como un estudio de métodos, validado sobre respuestas analíticas sintéticas y matrices derivadas de Geant4, sin utilizar conjuntos de datos experimentales específicos.