Goodness-of-fit for multi-distribution neutrino cross-section measurements with shared events

तकनीकी सारांश: साझा घटनाओं वाले बहु-वितरण न्यूट्रिनो क्रॉस-सेक्शन मापन के लिए गुडनेस-ऑफ-फिट (Goodness-of-fit)

समस्या विवरण
आधुनिक न्यूट्रिनो क्रॉस-सेक्शन विश्लेषणों में तेजी से एक ही सामान्य घटना नमूने (जैसे, प्रोटॉन के साथ और बिना प्रोटॉन वाले अंतिम अवस्थाओं के माइक्रोबून (MicroBooNE) मापन, या बहु-विभेदक QE-जैसे क्रॉस-सेक्शन) से कई विभेदक वितरण (differential distributions) निकाले जा रहे हैं। ऐसे विश्लेषणों में, एक ही भौतिक घटनाएँ एक साथ कई रिपोर्ट किए गए वितरणों में योगदान देती हैं। यह "घटना-साझाकरण" (event-sharing) संरचना विभिन्न वितरणों के बीच बिन काउंट्स (bin counts) के बीच सटीक रैखिक बाधाएं (linear constraints) लागू करती है। उदाहरण के लिए, यदि प्रत्येक चयनित घटना प्रत्येक वितरण में ठीक एक बिन को भरती है, तो वितरणों के बीच कुल घटना गणना समान होनी चाहिए।

ये बाधाएं माप की प्रभावी आयामीता (dimensionality) को कुल बिनों की संख्या से नीचे ले आती हैं। इसके परिणामस्वरूप, सांख्यिकीय सहप्रसरण आव्यूह (statistical covariance matrix, $C_{stat}$) एक रैंक न्यूनता (rank deficiency) प्रदर्शित करता है, जिसमें एक नल स्पेस (null space) होता है जहाँ विचरण (variance) पूर्णतः शून्य होता है। हालांकि सीमित संख्यात्मक सटीकता आव्यूह को बिल्कुल विलक्षण (singular) होने से रोक सकती है (जिससे व्युत्क्रमण संभव होता है), और व्यवस्थित अनिश्चितताएं इन नल दिशाओं को छोटे गैर-शून्य विचरणों तक "उठा" सकती हैं, फिर भी मानक वैश्विक गुडनेस-ऑफ-फिट परीक्षण (जैसे $\chi^2$) विफल हो जाते हैं। जब एक फॉरवर्ड-फोल्डेड भविष्यवाणी की तुलना डेटा से की जाती है, तो इन बाधित दिशाओं के अनुदिश छोटे अवशेषों (residuals) को लगभग शून्य विचरणों से विभाजित किया जाता है। इसके परिणामस्वरूप $\chi^2$ सांख्यिकी में मनमाने ढंग से बड़े, अवास्तविक योगदान होते हैं, जिससे कुल मान बढ़ जाता है और सही मॉडलों को गलत तरीके से खारिज कर दिया जाता है। इसके अलावा, रैंक न्यूनता की अनदेखी करने से स्वतंत्रता की डिग्री (degrees of freedom) की संख्या भी गलत हो जाती है।

कार्यप्रणाली
लेखक एक "रेंज-प्रोजेक्टेड $\chi^2$" (range-projected $\chi^2$) टेस्ट स्टैटिस्टिक का प्रस्ताव करते हैं, जिसे स्वतंत्र सांख्यिकीय जानकारी वाले उप-स्थान (subspace) तक सीमित करने के लिए डिज़ाइन किया गया है। कार्यप्रणाली इस प्रकार है:

1. बाधाओं की पहचान: शोध पत्र बाधाओं को एक "संयोजन मैट्रिक्स" ($\Omega$) का उपयोग करके औपचारिक रूप देता है। $\Omega$ की प्रत्येक पंक्ति एक अद्वितीय संकेतक वेक्टर (indicator vector) का प्रतिनिधित्व करती है जो यह बताती है कि एक घटना सभी वितरणों में किन बिनों को भरती है। $\Omega$ की रैंक माप स्थान में स्वतंत्र दिशाओं की संख्या निर्धारित करती है। नल दिशाओं की संख्या को $N_{null} = N_{bins} - \text{rank}(\Omega)$ के रूप में परिभाषित किया गया है।
2. नल स्पेस का अपघटन: लेखक $N_{null}$ को दो घटकों में विभाजित करते हैं:
   • संरचनात्मक नल स्पेस ($N_{null}^{struct}$): यह बिनिंग योजना (बिन किनारे) और ब्लॉकों की टोपोलॉजी द्वारा पूर्व-निर्धारित (a priori) होता है, जो विशिष्ट घटना नमूने से स्वतंत्र है।
   • काइनेमैटिक नल स्पेस ($N_{null}^{kinem}$): यह फेज-स्पेस अधिभोग (phase-space occupancy) से उत्पन्न होता है (जैसे, वे क्षेत्र जो क्रॉस-सेक्शन दमन या डिटेक्टर स्वीकृति के कारण भौतिक रूप से खाली हैं लेकिन ज्यामितीय रूप से अनुमत हैं)। यह घटक मोंटे कार्लो (Monte Carlo) इवेंट-टू-बिन मैपिंग से निर्धारित होता है।
3. प्रोजेक्टर का निर्माण: लेखक नल स्पेस के लंबवत उप-स्थान (सहप्रसरण के रेंज) पर एक ऑर्थोगोनल प्रोजेक्टर ($P_{reco}$) का निर्माण करते हैं। यह $\Omega^T\Omega$ के आइजन-अपघटन (eigendecomposition) के माध्यम से प्राप्त किया जाता है, जो गैर-शून्य आइजनमानों (भौतिक दिशाओं) को शून्य आइजनमानों (बाधित दिशाओं) से अलग करता है।
4. टेस्ट स्टैटिस्टिक की परिभाषा: पुनर्गठित स्थान (reconstructed space) में रेंज-प्रोजेक्टेड $\chi^2$ को इस प्रकार परिभाषित किया गया है:
   $$\chi^2_{proj} = \delta^T (P_{reco} C_{total} P_{reco})^+ \delta$$
   जहाँ $\delta$ अवशेष वेक्टर (residual vector) है, $C_{total}$ कुल सहप्रसरण आव्यूह है, और $(\cdot)^+$ मूर-पेनरोज पेनटोस छद्म-व्युत्क्रम (Moore–Penrose pseudoinverse) को दर्शाता है। व्यावहारिक रूप से, इसे $r = N_{bins} - N_{null}$ आयामों तक समस्या को कम करके कंप्यूट किया जाता है जो गैर-नल आइजनवेक्टर्स द्वारा स्पैन किए गए हैं, जिससे पूर्ण आव्यूह पर छद्म-व्युत्क्रम की आवश्यकता नहीं होती।

प्रमुख योगदान
यह शोध पत्र दो प्राथमिक योगदान देता है:

1. सैद्धांतिक अंतर्दृष्टि: यह प्रदर्शित करता है कि सहप्रसरण आव्यूह में रैंक न्यूनता एक आकस्मिक संख्यात्मक त्रुटि नहीं है, बल्कि साझा-घटना माप डिजाइन का एक अनुमानित, संरचनात्मक परिणाम है। बाधित दिशाएं उन बिनों के रैखिक संयोजन के अनुरूप होती हैं जो मापे जाने के बजाय घटनाओं द्वारा निर्धारित होते हैं, जिसका अर्थ है कि इन दिशाओं में डेटा के पास कोई सांख्यिकीय शक्ति नहीं होती है।
2. निर्देशात्मक एल्गोरिदम: यह $N_{null}$ (बाधित दिशाओं की संख्या) को पूर्व-निर्धारित (a priori) रूप से निर्धारित करने के लिए एक विधि प्रदान करता है। इसमें बिन किनारों से सीधे संरचनात्मक योगदान निर्धारित करने के लिए एक एल्गोरिदम (परिशिष्ट A) और घटना नमूने से काइनेमैटिक योगदान की पहचान करने की एक प्रक्रिया शामिल है। यह व्यवस्थित अनिश्चितताओं से दूषित सहप्रसरण पर लागू किए गए मनमाने आइजनमान थ्रेसहोल्ड पर निर्भर रहने के बजाय स्वतंत्रता की डिग्री का सटीक निर्धारण करने की अनुमति देता है।

परिणाम
विधि को दो अलग-अलग अध्ययनों के माध्यम से मान्य किया गया था:

1. एनालिटिकल टॉय मॉडल: एक तीन-ब्लॉक बिनिंग स्कीम (कुल 22 बिन) के साथ म्यून न्यूट्रिनो चार्ज्ड-करेंट क्वासी-इलास्टिक-लाइक इंटरैक्शन के सिमुलेशन ने 5 नल दिशाओं का खुलासा किया।
   • अनप्रोजेक्टेड $\chi^2$ (22 स्वतंत्रता की डिग्री के साथ) ने 30.6 का माध्य मान दिया, जो अपेक्षित 22 से काफी अधिक था, जिससे 5% सार्थकता स्तर पर 32.4% की गलत रिजेक्शन दर मिली।
   • रेंज-प्रोजेक्टेड $\chi^2$ (17 स्वतंत्रता की डिग्री के साथ) ने 17.23 का माध्य दिया, जो अपेक्षित $\chi^2(17)$ वितरण के अनुरूप था, और 5.7% की गलत रिजेक्शन दर मिली।
   • पैरामीटर अनुमान ने सही फ्रीक्वेंटिस्ट कवरेज के साथ वास्तविक पैरामीटर मानों को पुनः प्राप्त किया, जबकि अनप्रोजेक्टेड सांख्यिकी ने पक्षपाती परिणाम और गंभीर अंडरकवरेज (undercoverage) उत्पन्न किए।
2. इवेंट जनरेटर अध्ययन: GENIE और NuWro जनरेटरों का उपयोग करके न्यूट्रिनो-आर्गन क्रॉस-सेक्शन मापन का एक वास्तविक सिमुलेशन, जिसमें अनफोल्डिंग (Wiener-SVD) और बहु-स्रोत व्यवस्थित अनिश्चितताएं शामिल थीं।
   • इस अध्ययन ने 5 नल दिशाओं (4 संरचनात्मक, 1 काइनेमैटिक) की पहचान की।
   • अनप्रोजेक्टेड सांख्यिकी ने दोनों सही (NuWro) और गलत (GENIE) मॉडलों को खारिज कर दिया, जिससे यह परीक्षण भेदभाव के लिए बेकार हो गया।
   • प्रोजेक्टेड सांख्यिकी ने सही मॉडल को स्वीकार किया ($\chi^2 = 15.7/16$) और गलत मॉडल को मजबूती से खारिज किया ($\chi^2 = 154.4/16$), जिससे अंशांकन (calibration) और भेदभाव क्षमता बहाल हो गई।
   • अध्ययन ने पुष्टि की कि यदि प्रोजेक्शन को अनफोल्डिंग से पहले लागू किया जाए, तो प्रोजेक्टेड सांख्यिकी पुनर्गठित या अनफोल्ड किए गए स्थान में समान संख्यात्मक मान देती है।

महत्व और दायरा
यह शोध पत्र तर्क देता है कि जैसे-जैसे साझा घटनाओं वाले बहु-वितरण मापन मानक बनते जा रहे हैं, मॉडल ट्यूनिंग और जनरेटर तुलना के लिए एक सही कैलिब्रेटेड ग्लोबल गुडनेस-ऑफ-फिट टेस्ट आवश्यक है। रेंज-प्रोजेक्टेड $\chi^2$ एक हल्का, पूर्व-निर्धारित समाधान प्रदान करता है जिसके लिए केवल प्रकाशित सहप्रसरण, बिनिंग और रिस्पॉन्स मैट्रिसेस की आवश्यकता होती है, जिससे यह पहले से प्रकाशित मापों के लिए भी लागू करने योग्य बन जाता है।

लेखक नोट करते हैं कि यह विधि सटीक घटना साझाकरण की धारणा पर निर्भर करती है। यदि वितरणों में अलग-अलग फेज-स्पेस सीमाएं, बैकग्राउंड घटाव, या सिग्नल परिभाषाएं हैं, तो बाधाएं अनुमानित (approximate) हो जाती हैं। ऐसी स्थितियों में, नल दिशाएं छोटे लेकिन वास्तविक विचरण प्राप्त कर लेती हैं। इस मामले में, संरचनात्मक प्रोजेक्शन बाधाओं को ओवर-काउंट कर सकता है, और वैकल्पिक दृष्टिकोण जैसे बिन्ड लाइकलीहुड फिट (जो बाधाओं को स्वतः अवशोषित कर लेते हैं) अधिक उपयुक्त हो सकते हैं। हालांकि, सटीक साझाकरण के लिए डिज़ाइन किए गए मापों के लिए, प्रोजेक्शन विधि को अवास्तविक गुडनेस-ऑफ-फिट मेट्रिक्स के बढ़ने से बचने के लिए आवश्यक सुधार के रूप में प्रस्तुत किया गया है।