⚛️ phenomenology

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

यह शोध पत्र यह प्रदर्शित करता है कि पारंपरिक संभावना विश्लेषण (likelihood analysis) और मशीन लर्निंग तकनीकों के माध्यम से बेसलाइन, रिकोइल ऊर्जा और समय के बहुआयामी सहसंबंधों का लाभ उठाना, CE $\nu$ NS प्रयोगों में स्टेराइल न्यूट्रिनो और गैर-मानक अंतःक्रिया (non-standard interaction) मॉडलों के बीच मजबूत भेदभाव करने में सक्षम बनाता है, भले ही कुल घटना दर व्यवस्थित अनिश्चितताओं (systematic uncertainties) द्वारा अस्पष्ट हो।

मूल लेखक: Iain A. Bisset, Bhaskar Dutta, Doojin Kim, Samiran Sinha, Joel W. Walker

प्रकाशित 2026-04-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Iain A. Bisset, Bhaskar Dutta, Doojin Kim, Samiran Sinha, Joel W. Walker

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक व्यस्त रेलवे स्टेशन पर एक रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं। आप लोगों की भीड़ (न्यूट्रिनो) को आते हुए देखते हैं, लेकिन आप न तो उनके चेहरे देख सकते हैं और न ही उनके टिकट पढ़ सकते हैं। आप केवल इतना जानते हैं कि कितने लोग आए, उनके सामान का वजन कितना था (रिकोइल एनर्जी), और वे किस समय ट्रेन से उतरे (टाइमिंग)।

वर्षों से, वैज्ञानिक इन "न्यूट्रिनो ट्रेनों" को देखने की कोशिश कर रहे हैं कि क्या कुछ अजीब हो रहा है। आमतौर पर, वे केवल लोगों की कुल संख्या गिनते हैं। लेकिन समस्या यह है: दो अलग-अलग अपराधी (नए भौतिकी सिद्धांत) बिल्कुल एक ही संख्या में लोग भेज सकते हैं, जिससे केवल गिनती करके यह बताना असंभव हो जाता है कि यह किसने किया।

यह शोध पत्र, जिसे भौतिकविदों और सांख्यिकीविदों की एक टीम ने लिखा है, एक नया प्रश्न पूछता है: यदि हम केवल लोगों को नहीं गिन सकते, तो क्या हम यह देख सकते हैं कि वे कैसे व्यवस्थित हैं ताकि रहस्य सुलझाया जा सके?

यहाँ उनके अन्वेषण का सरल उपमाओं के साथ विवरण दिया गया है:

1. परिवेश: "स्टेप्ड-पायोन" (Stopped-Pion) रेलवे स्टेशन

वैज्ञानिक एक विशिष्ट प्रकार के प्रयोग का अध्ययन कर रहे हैं जहाँ प्रोटॉन एक लक्ष्य से टकराते हैं, जिससे पायोन (जैसे अस्थिर कण) बनते हैं जो रुक जाते हैं और क्षय (decay) होते हैं। यह एक बहुत ही विशिष्ट "ट्रेन शेड्यूल" बनाता है:

एक्सप्रेस ट्रेन (प्रॉम्प्ट): न्यूट्रिनो का एक विस्फोट तुरंत आता है (जैसे एक तेज़ ट्रेन)।
लोकल ट्रेन (डिलेड): अलग-अलग न्यूट्रिनो की एक धीमी धारा एक सेकंड के कुछ हिस्से बाद आती है (जैसे एक लोकल ट्रेन जो हर स्टेशन पर रुकती है)।

क्योंकि ये दो "ट्रेनें" अलग-अलग समय पर आती हैं, वैज्ञानिक उन्हें अलग कर सकते हैं। लेकिन असली जादू तब होता है जब आप तीन चीजों को एक साथ देखते हैं:

वे कहाँ से आए (बेसलाइन): डिटेक्टर स्रोत से कितनी दूर है।
उन्होंने कितनी ज़ोर से टक्कर मारी (रिकोइल एनर्जी): जब वे डिटेक्टर से टकराए तो उन्होंने कितनी ऊर्जा स्थानांतरित की।
वे कब पहुँचे (टाइमिंग): "एक्सप्रेस" और "लोकल" ट्रेनों के बीच का एक सेकंड का अंतर।

2. संदिग्ध: दो अलग-अलग "अपराधी"

वैज्ञानिक उन दो संभावित स्पष्टीकरणों के बीच अंतर करना चाहते हैं जो उन्हें अजीब संकेतों के लिए मिल सकते हैं:

संदिग्ध A: "भूत" (स्टेराइल न्यूट्रिनो)। कल्पना कीजिए कि एक भूत है जो भीड़ से लोगों को चुरा लेता है। यदि यही अपराधी है, तो लोगों की कुल संख्या गिर जाती है, लेकिन पैटर्न कि कौन गायब है, दूरी और ऊर्जा के आधार पर एक लहरदार, लयबद्ध तरीके से बदल जाता है। यह एक ऐसे भूत की तरह है जो केवल विशिष्ट समय पर लाल टोपी पहने लोगों को चुराता है।
** संदिग्ध B: "स्ट्रॉन्गमैन" (नॉन-स्टैंडर्ड इंटरैक्शन)।** कल्पना कीजिए कि एक बलवान व्यक्ति (स्ट्रॉन्गमैन) है जो लोगों को दीवारों से अधिक या कम ज़ोर से टकराने के लिए मजबूर करता है। यह परस्पर क्रिया (interaction) की शक्ति को बदल देता है। यह एक ऐसे स्ट्रॉन्गमैन की तरह है जो भीड़ के कुल वजन को बदले बिना, लोगों के सामान को भारी या हल्का बना देता है।

समस्या: यदि आप केवल लोगों की कुल संख्या गिनते हैं, तो दोनों संदिग्ध समान दिख सकते हैं। एक भूत भीड़ का 10% चुरा सकता है, और दूसरा स्ट्रॉन्गमैन शेष 90% को ऐसा दिखा सकता है जैसे वे 10% कम हों। यह एक "डैजेनेरेसी" (degeneracy) है—दूरी से देखने पर वे एक जैसे लगते हैं।

3. पुराना जासूसी तरीका: संभावना विश्लेषण (Likelihood Analysis)

सबसे पहले, टीम ने पारंपरिक गणित (Likelihood-based analysis) का उपयोग किया। उन्होंने डेटा देखा और पूछा, "क्या गायब लोगों का लहरदार पैटर्न 'भूत' के सिद्धांत को 'स्ट्रॉन्गमैन' के सिद्धांत से बेहतर समझाता है?"

परिणाम: उन्होंने पाया कि यदि आप डेटा के आकार (दूरी और ऊर्जा के माध्यम से लहरदार पैटर्न) को देखते हैं, तो आप उनमें अंतर कर सकते हैं। लेकिन यदि आप केवल कुल संख्या देखते हैं (जैसे सभी को एक बड़े बाल्टी में डाल देना), तो आप अंतर नहीं कर सकते। "आकार" ही कुंजी है।

4. नया जासूसी उपकरण: मशीन लर्निंग की "AI आँख"

फिर, टीम ने कुछ अधिक रोमांचक आज़माया। उन्होंने एक कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) बनाया। इसे एक सुपर-स्मार्ट AI कैमरा समझें जो डेटा को केवल संख्याओं के रूप में नहीं, बल्कि एक 3D छवि के रूप में देखता है।

X-अक्ष दूरी है।
Y-अक्ष ऊर्जा है।
Z-अक्ष समय है।

उन्होंने इस AI को प्रशिक्षित किया कि वह इन "छवियों" को देखे और अनुमान लगाए कि कौन सा संदिग्ध जिम्मेदार है।

बड़ा मोड़: परीक्षण को कठिन बनाने के लिए, उन्होंने AI के इनपुट से कुल संख्या को हटा दिया। उन्होंने AI को बताया, "मुझे मत बताओ कि कितने लोग हैं। बस पैटर्न को देखो।"

परिणाम: कुल संख्या जाने बिना भी, AI उच्च सटीकता के साथ 'भूत' और 'स्ट्रॉन्गमैन' के बीच अंतर कर सका! यह साबित करता है कि नए भौतिकी का "फिंगरप्रिंट" डेटा के आकार और लय में छिपा है, न कि केवल उसके आयतन (volume) में।

5. अंतिम चुनौती: सटीक पता खोजना

अंत में, उन्होंने AI से एक और कठिन प्रश्न पूछा: "यदि यह 'भूत' है, तो यह 'भूत' का ठीक कौन सा संस्करण है?" (अर्थात, भूत की शक्तियों के विशिष्ट सेट क्या हैं?)

उन्होंने AI को एक GPS के रूप में कार्य करने के लिए प्रशिक्षित किया। केवल यह कहने के बजाय कि "यह भूत है," इसने संभवतः भूत के सेटों के मानचित्र पर स्थान को सटीक रूप से खोजने का प्रयास किया।

सफलता: उन क्षेत्रों में जहाँ "भूत" के प्रभाव मजबूत हैं, AI ने स्थान को काफी अच्छी तरह से सटीक रूप से पहचाना।
सीमा: उन क्षेत्रों में जहाँ प्रभाव कमजोर थे या "लहरें" बहुत अव्यवस्थित थीं, AI भ्रमित हो गया।

यह क्यों मायने रखता है?

यह शोध पत्र भविष्य के कण भौतिकी (particle physics) के लिए एक रोडमैप है।

यह केवल "कुछ नया खोजने" के बारे में नहीं है। यह इस बारे में है कि वह "नया क्या है"।
आकार, आकार से अधिक महत्वपूर्ण है। भले ही हम कणों की कुल संख्या के बारे में अनिश्चित हों (अव्यवस्थित उपकरणों या अज्ञात कारकों के कारण), पैटर्न को देखना अभी भी रहस्य सुलझा सकता है।
AI एक शक्तिशाली साथी है। मशीन लर्निंग केवल एक चर्चा का विषय नहीं है; यह जटिल, बहु-आयामी डेटा में उन सुरागों को खोज सकता है जिन्हें पारंपरिक गणित शायद मिस कर दे या देखने में संघर्ष करे।

संक्षेप में: वैज्ञानिकों ने दिखाया है कि न्यूट्रिनो के "डांस मूव्स" (समय, दूरी और ऊर्जा में पैटर्न) को देखकर—न कि केवल नर्तकों को गिनकर—हम यह बता सकते हैं कि कौन सा "भूत" या "स्ट्रॉन्गमैन" शो में गड़बड़ी कर रहा है। और हम AI का उपयोग करके उन डांस मूव्स को पढ़ सकते हैं, भले ही हमें यह न पता हो कि मंच पर कितने नर्तक मौजूद हैं।

यहाँ शोध पत्र "Analytical and Machine Learning Methods for Model Discernment at CEνNS Experiments" (MI-HET-882) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

न्यूट्रिनो प्रयोग, विशेष रूप से जो Beyond-the-Standard-Model (BSM) भौतिकी की खोज कर रहे हैं, अक्सर कम सांख्यिकी (low statistics), बड़े व्यवस्थित अनिश्चितताओं (विशेष रूप से फ्लक्स नॉर्मलाइजेशन में), और मोटे अवलोकन बिनिंग (coarse observable binning) के कारण सीमाओं का सामना करते हैं। ये कारक उन प्रतिस्पर्धी सैद्धांतिक मॉडलों के बीच अंतर करने की क्षमता में बाधा डालते हैं जो समान कुल घटना दरों (inclusive yields) को उत्पन्न कर सकते हैं।

विशेष रूप से, यह शोध पत्र स्टॉपड-पायन स्रोतों (stopped-pion sources) पर कोहेरेंट इलास्टिक न्यूट्रिनो-न्यूक्लियस स्कैटरिंग (CEνNS) प्रयोगों में मॉडल भेदभाव (model discernment) की चुनौती को संबोधित करता है। मुख्य समस्या यह निर्धारित करना है कि क्या देखा गया विसंगति (anomaly) निम्नलिखित में से किसके कारण है:

स्टेराइल न्यूट्रिनो ऑसिलेशन (विशेष रूप से एक $3+1$ फ्रेमवर्क), जो सक्रिय न्यूट्रिनो फ्लक्स को दोलन (oscillation) के माध्यम से कम कर देता है।
नॉन-स्टैंडर्ड इंटरैक्शन (NSI), जो पदार्थ के साथ सक्रिय न्यूट्रिनो की अंतःक्रिया शक्ति को संशोधित करता है।

पारंपरिक विश्लेषण जो केवल कुल घटना दरों पर निर्भर करते हैं, वे फ्लक्स नॉर्मलाइजेशन अनिश्चितताओं और उन डिजेनेरेसी (degeneracies) के प्रति संवेदनशील होते हैं जहाँ विभिन्न मॉडल एक-दूसरे की नकल करते हैं। लेखक यह जांचते हैं कि केवल कुल दरों के बजाय बहुआयामी आकार जानकारी (multidimensional shape information) (बेसलाइन, रिकोइल एनर्जी और टाइमिंग में सहसंबंधों) का उपयोग करके कितनी विभेदक शक्ति (discriminatory power) को पुनः प्राप्त किया जा सकता है।

2. कार्यप्रणाली (Methodology)

यह अध्ययन दो-आयामी दृष्टिकोण अपनाता है: एक पारंपरिक लाइकलीहुड-आधारित विश्लेषण (Likelihood-Based Analysis) और एक मशीन लर्निंग (ML) दृष्टिकोण जो कन्वेल्शनल न्यूरल नेटवर्क (CNNs) का उपयोग करता है।

A. बेंचमार्क भौतिक सेटअप (Benchmark Physics Setup)

वातावरण: एक काल्पनिक स्टॉपड-पion स्रोत (COHERENT या CCM प्रयोगों के समान) जिसमें 5m से 25m की बेसलाइन पर रखे गए कई CsI डिटेक्टर हैं।
सिग्नल: न्यूट्रिनो फ्लक्स में एक प्रॉम्प्ट $\nu_\mu$ घटक ( $\pi^+$ क्षय से) और एक विलंबित (delayed) $\nu_e, \bar{\nu}_\mu$ घटक ( $\mu^+$ क्षय से) शामिल है।
अवलोकन योग्य (Observables): विश्लेषण एक 3D बिन्ड वितरण का उपयोग करता है:
1. बेसलाइन ( $L$ ): स्रोत से दूरी।
2. रिकोइल एनर्जी ( $E_{rec}$ ): न्यूक्लियर रिकोइल ऊर्जा।
3. टाइमिंग ( $t$ ): प्रॉम्प्ट बनाम विलंबित घटकों के बीच अंतर करना।
BSM परिदृश्य:
- परिदृश्य I ( $3+1$ स्टेराइल): यह मिक्सिंग पैरामीटर्स $|U_{e4}|^2, |U_{\mu4}|^2$ और मास स्प्लिटिंग $\Delta m^2_{41}$ द्वारा अभिलक्षित है। सिग्नल फ्लक्स के दोलनशील ह्रास (oscillatory depletion) के रूप में प्रकट होता है।
- परिदृश्य II (न्यूट्रल-करंट NSI): यह प्रभावी कपलिंग्स $\epsilon_{ee}^{uV}, \epsilon_{ee}^{dV}$ द्वारा अभिलक्षित है। सिग्नल प्रभावी कमजोर आवेश (weak charge) और स्कैटरिंग दर के संशोधन के रूप में प्रकट होता है।

B. सांख्यिकीय ढांचा (Statistical Framework)

लाइकलीहुड विश्लेषण: लेखक एक बिन्ड लाइकलीहुड फंक्शन का निर्माण करते हैं जिसमें फ्लक्स नॉर्मलाइजेशन अनिश्चितता के लिए एक न्युसेंस पैरामीटर ( $\eta$ ) शामिल है। वे स्टेराइल हाइपोथेसिस के फिट की तुलना सर्वश्रेष्ठ-फिट NSI हाइपोथेसिस से करने के लिए बायेसियन इंफॉर्मेशन क्राइटेरियन (BIC) का उपयोग करते हैं।
मशीन लर्निंग आर्किटेक्चर:
- इनपुट: बिन्ड इवेंट डिस्ट्रीब्यूशन को "इमेज" के रूप में माना जाता है जहाँ बेसलाइन-एनर्जी प्लेन स्थानिक आयाम (spatial dimensions) बनाता है और टाइमिंग बिन्स कलर चैनल्स ( $L \times E \times T$ ) के रूप में कार्य करते हैं।
- मॉडल: एक शैलो (shallow) कन्वेल्शनल न्यूरल नेटवर्क (CNN) जिसमें ReLU एक्टिवेशन, बैच नॉर्मलाइजेशन, मैक्स-पूलिंग और ड्रॉपआउट है।
- महत्वपूर्ण प्रीप्रोसेसिंग: यह परीक्षण करने के लिए कि क्या भेदभाव आकार (shape) पर निर्भर है या कुल दर (total rate) पर, सभी छद्म-डेटासेट्स (pseudo-datasets) को एक सामान्य कुल घटना दर तक पुन: सामान्यीकृत (renormalized) किया जाता है। यह स्पष्ट रूप से फ्लक्स नॉर्मलाइजेशन जानकारी को हटा देता है।
- कार्य:
  1. बाइनरी क्लासिफिकेशन: एक स्टेराइल-जनित डेटासेट और उसके सर्वश्रेष्ठ-फिट NSI समकक्ष के बीच अंतर करना।
  2. मल्टी-क्लास क्लासिफिकेशन: एक विविक्त (discretized) पैरामीटर स्पेस ग्रिड ( $20 \times 20$ ) के भीतर विशिष्ट पैरामीटर स्थान की पहचान करना।

3. प्रमुख योगदान (Key Contributions)

आकार की जानकारी का परिमाणीकरण (Quantification of Shape Information): यह शोध पत्र प्रदर्शित करता है कि बहुआयामी आकार की जानकारी (बेसलाइन, ऊर्जा, टाइमिंग) में वास्तविक विभेदक शक्ति होती है जो कुल घटना दरों से स्वतंत्र है।
ML एक दर-असंवेदनशील उपकरण के रूप में (ML as a Rate-Insensitive Tool): दर-सामान्यीकृत डेटा पर CNNs को प्रशिक्षित करके, लेखक सिद्ध करते हैं कि मशीन लर्निंग फ्लक्स नॉर्मलाइजेशन पर निर्भर हुए बिना (जो अक्सर प्रमुख व्यवस्थित अनिश्चितता होती है) दो प्रकार की नई भौतिकी—ऑसिलेशन-आधारित (स्टेराइल) और इंटरेक्शन-आधारित (NSI)—के बीच प्रभावी ढंग से अंतर कर सकती है।
पैरामीटर लोकलाइजेशन (Parameter Localization): अध्ययन केवल मॉडल चयन से आगे बढ़कर यह दिखाता है कि ML स्टेराइल पैरामीटर स्पेस के भीतर विशिष्ट $|U_{e4}|^2$ और $\Delta m^2_{41}$ मानों को पहचानने के लिए अनुमानित पैरामीटर लोकलाइजेशन कर सकता है, बशर्ते कि ऑसिलेशन सिग्नल पर्याप्त मजबूत हो।
पद्धतियों की पूरकता (Complementarity of Methods): यह कार्य एक ऐसा ढांचा स्थापित करता है जहाँ पारंपरिक लाइकलीहुड विधियाँ और ML विधियाँ पूरक भूमिकाएँ निभाती हैं, जिसमें ML नॉर्मलाइजेशन अनिश्चितताओं के विरुद्ध मजबूती (robustness) प्रदान करता है।

4. मुख्य परिणाम (Key Results)

A. लाइकलीहुड-आधारित भेदभाव

इनक्लूसिव बिनिंग की विफलता: जब डेटा को एक एकल बिन ({1,1,1}) में संकुचित किया जाता है, तो भेदभाव शक्ति नगण्य होती है ( $L_{NSI} \approx 1$ ), क्योंकि दोनों मॉडल दर समायोजन के माध्यम से एक-दूसरे की नकल कर सकते हैं।
शेप सेंसिटिविटी: बहुआयामी बिनिंग पेश करने से भेदभाव में महत्वपूर्ण सुधार होता है।
- बेसलाइन और ऊर्जा: ये सबसे महत्वपूर्ण विभेदक हैं। स्टेराइल न्यूट्रिनो का दोलन पैटर्न ( $L/E_\nu$ पर निर्भर) NSI के सुचारू (smooth) दर संशोधनों द्वारा दोहराया नहीं जा सकता है।
- टाइमिंग: प्रॉम्प्ट और विलंबित घटकों को अलग करके एक माध्यमिक लेकिन उपयोगी सुधार प्रदान करती है।
डिजेनेरेसी (Degeneracy): छोटे मिक्सिंग एंगल्स या बहुत बड़े मास स्प्लिटिंग वाले क्षेत्रों में (जहाँ दोलन धुंधले हो जाते हैं), NSI मॉडल स्टेराइल सिग्नल की नकल कर सकता है, जिससे खराब भेदभाव होता है।

B. मशीन लर्निंग प्रदर्शन

बाइनरी क्लासिफिकेशन:
- CNN उच्च सटीकता (लगभग ~0.9–1.0 तक) प्राप्त करता है, उन क्षेत्रों में जहाँ लाइकलीहुड विश्लेषण भी मजबूत भेदभाव दिखाता है।
- दर स्वतंत्रता (Rate Independence): महत्वपूर्ण रूप से, यह उच्च सटीकता तब भी बनी रहती है जब इनपुट से कुल घटना दर को हटा दिया जाता है। यह पुष्टि करता है कि न्यूरल नेटवर्क नॉर्मलाइजेशन अंतरों के बजाय दोलनकारी आकार विशेषताओं (oscillatory shape features) को सीखता है।
मल्टी-क्लास क्लासिफिकेशन (लोकलाइजेशन):
- नेटवर्क सफलतापूर्वक स्टेराइल बेंचमार्क पॉइंट के अनुमानित स्थान की पहचान कर सकता है।
- दिशात्मक संवेदनशीलता (Directional Sensitivity): पुनर्निर्माण (reconstruction), $\Delta m^2_{41}$ (लंबवत अक्ष) की तुलना में मिक्सिंग पैरामीटर $|U_{e4}|^2$ (क्षैतिज अक्ष) के लिए अधिक सटीक है। यह भौतिक रूप से सहज है: मिक्सिंग विकृति के आयाम (amplitude) को नियंत्रित करता है (देखना आसान है), जबकि मास स्प्लिटिंग आवृत्ति/तरंग दैर्ध्य (frequency/wavelength) को नियंत्रित करता है (बिनिंग और ऊर्जा रिज़ॉल्यूशन के साथ धुंधला होना आसान है)।
- बिनिंग निर्भरता: बेसलाइन और ऊर्जा में महीन (finer) बिनिंग लोकलाइजेशन सटीकता में काफी सुधार करती है, जबकि टाइमिंग मामूली लाभ जोड़ती है।

5. महत्व और निहितार्थ (Significance and Implications)

विसंगति से व्याख्या तक (From Anomaly to Interpretation): यह शोध पत्र न्यूट्रिनो भौतिकी को केवल एक विसंगति का पता लगाने से लेकर उसके भौतिक मूल की व्याख्या करने की ओर ले जाने का मार्ग प्रदान करता है। यह दिखाता है कि सीमित सांख्यिकी और बड़ी व्यवस्थित अनिश्चितताओं के बावजूद, डेटा की संरचना अंतर्निहित तंत्र को प्रकट कर सकती है।
व्यवस्थित अनिश्चितताओं के प्रति मजबूती: ML दृष्टिकोण सिद्ध करता है कि दर-असंवेदनशील रणनीतियाँ व्यवहार्य हैं। यह भविष्य के प्रयोगों के लिए महत्वपूर्ण है जहाँ फ्लक्स नॉर्मलाइजेशन को नियंत्रित करना कठिन हो सकता है (जैसे रिएक्टर या स्टॉपड-पायन स्रोत)।
प्रायोगिक डिजाइन: परिणाम बहु-बेसलाइन और उच्च-ग्रैनुलैरिटी ऊर्जा मापों के महत्व को रेखांकित करते हैं। एकल डिटेक्टर या मोटे बिनिंग वाले प्रयोगों को स्टेराइल न्यूट्रिनो और NSI के बीच अंतर करने में संघर्ष करना पड़ेगा।
व्यापक प्रयोज्यता: यहाँ विकसित तकनीकें अन्य डार्क सेक्टर खोजों के लिए भी लागू की जा सकती हैं, जैसे कि NSI या स्टेराइल न्यूट्रिनो व्याख्याओं से लाइट डार्क मैटर संकेतों को अलग करना।

निष्कर्षतः, यह शोध पत्र स्थापित करता है कि CEνNS प्रयोगों में सहसंबंधित बहुआयामी जानकारी मॉडल भेदभाव के लिए एक शक्तिशाली उपकरण है। पारंपरिक सांख्यिकीय विधियों और आधुनिक मशीन लर्निंग दोनों का लाभ उठाकर, शोधकर्ता महत्वपूर्ण नॉर्मलाइजेशन अनिश्चितताओं की उपस्थिति में भी प्रतिस्पर्धी BSM परिदृश्यों को अलग कर सकते हैं और नई भौतिकी के मापदंडों को स्थानीयकृत (localize) कर सकते हैं।