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

Cette étude démontre que l'exploitation des corrélations multidimensionnelles dans les données de diffusion cohérente neutrino-noyau, via des analyses statistiques classiques et des réseaux de neurones convolutifs, permet de distinguer et de localiser des modèles de nouvelle physique au-delà du Modèle Standard, même en l'absence d'informations sur le taux total d'événements.

L'essentiel

🕵️‍♂️ Le Grand Jeu de Détective des Neutrinos

Imaginez que vous êtes un détective privé. Vous avez reçu un message codé (des données d'expérience) provenant d'une source mystérieuse (des neutrinos). Votre mission ? Découvrir si ce message a été écrit par un "habitant normal" (le Modèle Standard, notre physique actuelle) ou par un "intrus" (une nouvelle physique exotique).

Le problème, c'est que le message est souvent brouillé, court et imprécis. De plus, il existe plusieurs types d'intrus qui pourraient envoyer des messages qui se ressemblent terriblement. Comment faire la différence ?

C'est exactement ce que les auteurs de ce papier (des physiciens et statisticiens du Texas et du Dakota du Sud) ont tenté de résoudre en utilisant deux méthodes : la méthode classique (les mathématiques traditionnelles) et la méthode moderne (l'intelligence artificielle).

1. Le Contexte : Une Usine à Neutrinos

Pour faire leur enquête, les chercheurs ont imaginé une expérience réelle (comme celle de l'expérience COHERENT aux États-Unis).

• La Scène : On bombarde une cible avec des protons pour créer des pions. Ces pions s'arrêtent et se désintègrent, envoyant des neutrinos dans toutes les directions.
• Les Détecteurs : On place plusieurs détecteurs à différentes distances de la source (comme des micros placés à 5 mètres, 10 mètres, 20 mètres, etc.).
• Le Signal : Les neutrinos frappent les noyaux d'atomes dans les détecteurs, faisant reculer ces atomes (comme une boule de billard qui en touche une autre). On mesure trois choses :
  1. Où ils ont frappé (la distance).
  2. À quelle vitesse ils ont reculé (l'énergie).
  3. Quand cela s'est produit (le timing, car certains neutrinos arrivent tout de suite, d'autres un peu plus tard).

2. Les Deux Suspects (Les Scénarios "Nouveaux")

Les chercheurs veulent savoir si un signal anormal vient de l'un de ces deux "suspects" :

• Suspect A : Le Neutrino Stérile. Imaginez un neutrino qui est un "fantôme". Il existe, mais il est si timide qu'il ne parle presque pas aux autres particules. S'il existe, il vole une partie des neutrinos normaux et les transforme en ce fantôme invisible. Résultat : il y a moins de neutrinos qui arrivent au détecteur, et ce manque varie selon la distance et l'énergie (comme une vague qui s'efface).
• Suspect B : Les Interactions Non-Standard (NSI). Imaginez que les neutrinos ont un "super-pouvoir" secret qui change la façon dont ils interagissent avec la matière. Au lieu de disparaître, ils deviennent simplement plus forts ou plus faibles dans leur frappe, selon leur "goût" (électronique ou muonique).

Le Problème : Si vous ne regardez que le nombre total de coups reçus (le nombre total de boules de billard qui ont bougé), ces deux suspects peuvent sembler identiques ! C'est comme si deux voleurs laissaient exactement le même nombre d'empreintes digitales.

3. La Méthode Classique : Le Détective avec un Calculateur

La première partie du papier utilise des statistiques traditionnelles (comme un détective qui utilise un tableau blanc et des formules mathématiques).

• L'astuce : Au lieu de compter juste le nombre total de coups, ils regardent la forme du message.
• L'analogie : Imaginez que vous écoutez une chanson.
  • Le suspect A (Stérile) fait une mélodie qui oscille (monte et descend) de manière très précise selon la distance.
  • Le suspect B (NSI) change juste le volume de la chanson, mais la mélodie reste plate.
• Résultat : En regardant la "mélodie" (la forme des données en fonction de la distance, de l'énergie et du temps), le détective classique arrive à distinguer les deux suspects dans certains cas. Mais si la musique est trop brouillée ou si on ne regarde que le volume total, il échoue.

4. La Méthode Moderne : Le Détective avec une IA (Machine Learning)

La deuxième partie est la plus excitante. Les chercheurs ont entraîné un réseau de neurones artificiels (une sorte d'IA très intelligente) pour jouer au détective.

• L'expérience : Ils ont pris les données, mais ils ont fait quelque chose de très audacieux : ils ont caché le nombre total de coups. Ils ont dit à l'IA : "Oublie le volume total, regarde seulement la forme de la chanson."
• L'entraînement : L'IA a appris à reconnaître les motifs complexes dans les données (comme un expert qui reconnaît la signature d'un peintre même si le tableau est taché).
• Le Résultat Magique : Même sans savoir le nombre total de neutrinos, l'IA a réussi à dire : "C'est le suspect Stérile !" ou "C'est le suspect NSI !" avec une grande précision.
• La leçon : Cela prouve que l'information cruciale n'est pas dans le "nombre", mais dans la structure et la forme des données. L'IA a vu des détails que les méthodes classiques pourraient manquer.

5. Le Troisième Niveau : Localiser le Coupable

Pour finir, les chercheurs ont demandé à l'IA de faire encore mieux : non seulement dire qui est le coupable, mais où il se cache exactement dans son "monde" (quels sont ses paramètres précis).

• L'analogie : C'est comme si l'IA ne disait pas juste "C'est un voleur", mais "C'est le voleur qui habite au 3ème étage, appartement 4B".
• Résultat : Dans les zones où le signal est fort, l'IA arrive à localiser assez précisément les paramètres du neutrino stérile. C'est une étape cruciale pour passer de "Il y a un problème" à "Voici exactement ce qui cause le problème".

🎯 En Résumé : Pourquoi c'est important ?

Ce papier nous dit trois choses essentielles :

1. Ne regardez pas que le nombre total : Dans la physique des neutrinos, le nombre total de particules est souvent trompeur à cause d'incertitudes. La vraie information est cachée dans la forme et les corrélations (distance, énergie, temps).
2. L'IA est un super-outil : Les réseaux de neurones peuvent extraire des informations complexes que les méthodes classiques peinent à voir, surtout quand on ne peut pas compter précisément les événements.
3. De la détection à la compréhension : Nous ne sommes plus seulement capables de dire "Il y a une anomalie". Grâce à ces nouvelles méthodes (classiques et IA), nous pouvons commencer à comprendre quelle nouvelle physique est responsable et où elle se trouve.

C'est comme passer de "Il y a un bruit bizarre dans la maison" à "C'est le chat qui a renversé le vase dans le salon, et il est coincé sous la table". C'est un pas de géant vers la compréhension de l'univers !

Résumé technique

1. Problématique et Contexte

Les expériences de neutrinos sont souvent limitées par de faibles statistiques, des incertitudes systématiques importantes et un regroupement (binning) grossier des observables. Ces facteurs entravent la capacité à discriminer entre différentes explications au-delà du Modèle Standard (BSM) d'anomalies observées.

• Le problème central : Les analyses basées uniquement sur les taux d'événements totaux sont vulnérables aux incertitudes de normalisation de la source et aux dégénérescences entre modèles qui produisent des rendements inclusifs similaires.
• Le contexte spécifique : L'étude se concentre sur la diffusion cohérente élastique neutrino-noyau (CEνNS) dans des expériences utilisant des sources de pions arrêtés (stopped-pion). Ces sources offrent une structure temporelle riche (composante prompte $\nu_\mu$ vs composante retardée $\nu_e/\bar{\nu}_\mu$) et permettent des mesures à différentes distances (baselines).
• L'objectif : Déterminer dans quelle mesure l'information multidimensionnelle (corrélation entre la distance, l'énergie de recul et le temps) permet de distinguer des scénarios BSM spécifiques, même lorsque le taux total d'événements est incertain ou masqué.

2. Méthodologie

Les auteurs comparent deux approches d'inférence pour discriminer entre deux scénarios BSM de référence :

1. Scénario I : Un cadre de neutrinos stériles $3+1$ (oscillations).
2. Scénario II : Des interactions non standard (NSI) à courant neutre.

L'analyse repose sur une simulation de données générées pour des détecteurs CsI placés à différentes distances (5m à 25m) d'une source de pions arrêtés.

A. Analyse par Vraisemblance (Likelihood-Based)

• Construction : Utilisation d'une vraisemblance binaire (binned likelihood) sur les distributions d'événements en fonction de la distance ($L$), de l'énergie de recul ($E_{rec}$) et du temps ($t$).
• Paramètres de nuisance : Une incertitude de normalisation du flux ($\eta$) est incluse pour simuler les erreurs systématiques.
• Critère de sélection : Le critère d'information bayésien (BIC) est utilisé pour comparer les hypothèses. Le modèle avec le BIC le plus faible est préféré.
• Objectif : Établir une ligne de base pour la puissance de discrimination sans utiliser d'apprentissage automatique.

B. Apprentissage Automatique (Machine Learning - ML)

• Architecture : Utilisation de Réseaux de Neurones Convolutifs (CNN). Les distributions d'événements binnées sont traitées comme des images 3D (distance $\times$ énergie $\times$ temps).
• Prétraitement clé : Pour isoler l'information de forme, les données d'entrée sont renormalisées pour avoir un taux d'événements total identique. Cela force le réseau à ignorer les différences de normalisation et à se concentrer sur les distortions de forme multidimensionnelles.
• Tâches :
  1. Classification binaire : Distinguer les données générées par un scénario stérile de celles générées par le meilleur ajustement NSI.
  2. Classification multi-classes : Identifier la position approximative du point de référence dans l'espace des paramètres stériles ($|U_{e4}|^2$ et $\Delta m^2_{41}$).

3. Contributions Clés

1. Preuve de concept sur l'information de forme : L'article démontre que l'information discriminante est intrinsèquement encodée dans la forme multidimensionnelle de la distribution CEνNS, et non seulement dans le taux total.
2. Comparaison Méthodologique : Une comparaison directe entre les méthodes statistiques classiques (vraisemblance) et les méthodes d'apprentissage profond, montrant leur complémentarité.
3. Robustesse aux incertitudes de normalisation : En éliminant explicitement le taux total des entrées du ML, les auteurs prouvent que la discrimination reste possible même en présence de grandes incertitudes sur le flux de neutrinos.
4. Localisation des paramètres : Extension de la discrimination binaire à une tâche de localisation dans l'espace des paramètres, montrant que l'on peut non seulement détecter une anomalie, mais aussi estimer les paramètres sous-jacents.

4. Résultats Principaux

A. Discrimination par Vraisemblance

• Le regroupement inclusif ({1,1,1} bin) ne permet aucune discrimination car les modèles peuvent se mimiquer par ajustement du taux total.
• Dès que l'information de forme est conservée (binning fin en distance et énergie), la discrimination devient significative.
• La structure de distance et d'énergie est le facteur dominant pour distinguer les oscillations stériles (qui créent un motif oscillatoire dépendant de $L/E$) des NSI (qui modifient principalement l'amplitude). Le temps apporte une aide supplémentaire mais moins cruciale.

B. Classification Binaire par ML

• Les CNN entraînés sur des données renormalisées atteignent une précision élevée (proche de 1,0) dans de vastes régions de l'espace des paramètres stériles.
• Cela confirme que le réseau apprend les motifs de forme spécifiques aux oscillations, indépendamment de la normalisation.
• La discrimination est plus faible dans les régions où les effets d'oscillation sont faibles (faible mélange) ou noyés par le lissage énergétique.

C. Classification Multi-classes (Localisation)

• Le réseau peut localiser approximativement le point de référence stérile dans l'espace des paramètres.
• Précision directionnelle : La reconstruction est plus robuste pour le paramètre de mélange $|U_{e4}|^2$ (axe horizontal) que pour le splitting de masse $\Delta m^2_{41}$ (axe vertical).
  • Explication physique : Le paramètre de mélange contrôle l'amplitude de la distortion (plus facile à voir), tandis que le splitting de masse contrôle l'échelle d'oscillation, qui est plus sensible au lissage par l'énergie de recul et au binning fini.
• La granularité du binning (nombre de bins) est critique : un binning plus fin en distance et énergie améliore considérablement la localisation.

5. Signification et Implications

• Transition vers l'interprétation physique : Ce travail marque un pas vers le passage de la simple « détection d'anomalies » à l'« interprétation physique » (identification du modèle et estimation des paramètres) dans les recherches de nouvelle physique.
• Complémentarité des outils : Les méthodes ML ne remplacent pas les analyses de vraisemblance mais offrent une approche complémentaire puissante, particulièrement utile lorsque les incertitudes systématiques (normalisation) sont difficiles à contrôler.
• Conception d'expériences futures : Les résultats soulignent l'importance critique de la granularité dans les mesures de distance et d'énergie de recul pour les futures expériences CEνNS (comme COHERENT, CCM, ou ESS). Ils suggèrent que des détecteurs capables de résoudre finement ces dimensions sont essentiels pour briser les dégénérescences entre modèles BSM.
• Applications étendues : Bien que l'étude se concentre sur les neutrinos stériles et les NSI, les méthodologies développées sont applicables à d'autres scénarios, tels que la matière noire légère, qui pourraient imiter ou concurrencer ces signaux.

En conclusion, l'article établit que les expériences CEνNS à sources de pions arrêtés, grâce à leur structure temporelle et à la possibilité de mesures multi-baselines, offrent un environnement riche pour discriminer les modèles de nouvelle physique, à condition d'exploiter pleinement l'information multidimensionnelle via des méthodes d'inférence avancées.