A Bayesian approach to the long-baseline neutrino oscillation sensitivity of DUNE
Questo articolo applica un approccio bayesiano Markov Chain Monte Carlo per rivalutare la sensibilità alle oscillazioni dei neutrini a lungo raggio di DUNE utilizzando input esistenti, rivelando una maggiore sensibilità all'ottante attraverso vincoli post-hoc dei reattori e presentando il primo studio della sensibilità di DUNE all'invariante di Jarlskog.
Autori originali: DUNE Collaboration, S. Abbaslu, F. Abd Alrahman, A. Abed Abud, R. Acciarri, M. A. Acero, M. R. Adames, G. Adamov, M. Adamowski, K. Adhikari, C. Adriano, K. Agudelo-Jaramillo, F. Akbar, F. Alemanno, N. S. Alex, L. Aliaga Soplin, A. Alqaisi, O. Alterkait, A. Alton, R. Alvarez, T. Alves, A. Aman, H. Amar, R. M. Amarinei, P. Amedo, E. P. M. Amorim, D. A. Andrade, C. Andreopoulos, M. Andreotti, M. P. Andrews, M. Andriamirado, F. Andrianala, S. Andringa, S. Ansarifard, D. Antic, A. Antonakis, T. Araya-Santander, L. Arellano, E. Arrieta Diaz, M. A. Arroyave, M. Artero Pons, B. Aryal, J. Asaadi, M. Ascencio, A. Ashkenazi, L. Asquith, M. S. Athar, E. Atkin, A. Aurisano, V. Aushev, D. Autiero, M. B. Azam, F. Azfar, J. J. Back, Y. Bae, I. Bagaturia, L. Bagby, H. Bagdu, D. Baigarashev, S. Balasubramanian, A. Balboni, P. Baldi, W. Baldini, J. Baldonedo, B. Baller, B. Bambah, F. Barao, T. Barbera, D. Barbu, G. Barenboim, P. Barham Alzás, G. J. Barker, W. Barkhouse, E. Barlas Yucel, G. Barr, W. Barrett, D. Barrow, J. L. Barrow, A. Basharina-Freshville, A. Bashyal, V. Basque, M. Bassani, D. Basu, L. Bathe-Peters, J. B. R. Battat, F. Battisti, J. Bautista, F. Bay, J. L. L. Bazo Alba, J. F. Beacom, E. Bechetoille, A. Beever, B. Behera, E. Belchior, B. Bell, G. Bell, L. Bellantoni, G. Bellettini, V. Bellini, O. Beltramello, C. Benitez Montiel, D. Benjamin, A. Ben Porat, K. Benslama, F. Bento Neves, J. Berger, S. Berkman, J. Bernal, P. Bernardini, A. Bersani, E. Bertholet, E. Bertolini, S. Bertolucci, M. Betancourt, A. Betancur Rodríguez, Y. Bezawada, A. T. Bezerra, A. Bhat, V. Bhatnagar, M. Bhattacharjee, S. Bhattacharjee, M. Bhattacharya, S. Bhuller, B. Bhuyan, S. Biagi, J. Bian, K. Biery, B. Bilki, A. Binau, M. Bishai, A. Blake, A. Blanchet, F. D. Blaszczyk, G. C. Blazey, E. Blucher, A. Bodek, B. Bogart, J. Boissevain, T. Bolton, L. Bomben, M. Bonesini, C. Bonilla-Diaz, A. Booth, F. Boran, C. Borden, R. Borges Merlo, D. Borodulina, N. Bostan, G. Botogoske, B. Bottino, R. Bouet, J. Boza, B. Brahma, D. Brailsford, F. Bramati, A. Branca, A. Brandt, J. Bremer, S. J. Brice, S. Brickner, V. Brio, C. Brizzolari, C. Bromberg, J. Brooke, A. Bross, M. B. Brunetti, G. Buccino, N. Buchanan, H. Budd, J. Buergi, A. Bundock, D. Burgardt, S. Butchart, G. Caceres V., R. Calabrese, J. Calcutt, L. Calivers, S. Calvez, E. Calvo, A. Caminata, A. F. Camino, W. Campanelli, A. Campani, N. Canci, J. Capó, I. Caracas, D. Caratelli, G. Carini, M. F. Carneiro, P. Carniti, H. Carranza, N. Carrara, A. Carter, E. Casarejos, D. Casazza, J. F. Castaño Forero, F. A. Castaño, R. Castillo Fernandez, C. Castromonte, E. Catano-Mur, C. Cattadori, F. Cavalier, F. Cavanna, S. Centro, G. Cerati, C. Cerna, A. Cervelli, A. Cervera Villanueva, J. Chakrani, M. Chalifour, A. Chappell, A. Chatterjee, B. Chauhan, C. Chavez Barajas, H. Chen, M. Chen, W. C. Chen, Y. Chen, Z. Chen, D. Cherdack, S. S. Chhibra, F. Chiapponi, R. Chirco, K. Cho, S. Choate, G. Choi, D. Chokheli, O. Chow, B. Chowdhury, D. Christian, E. Church, M. F. Cicala, M. Cicerchia, V. Cicero, P. Clarke, J. Cleeve, G. Cline, A. G. Cocco, J. Collazo, J. Collot, H. Combs, J. M. Conrad, L. Conti, T. Contreras, M. Convery, S. Copello, P. Cova, C. Cox, L. Cremonesi, J. I. Crespo-Anadón, M. Crisler, E. Cristaldo, J. Crnkovic, G. Crone, R. Cross, A. Cudd, C. Cuesta, Y. Cui, F. Curciarello, D. Cussans, O. Dalager, W. Dallaway, R. D'Amico, H. da Motta, Z. A. Dar, R. Darby, L. Da Silva Peres, Q. David, G. S. Davies, S. Davini, C. Davis, J. Dawson, M. P. Decowski, A. de Gouvêa, P. C. De Holanda, P. De Jong, P. Del Amo Sanchez, G. De Lauretis, A. Delbart, M. Delgado, A. Dell'Acqua, G. Delle Monache, N. Delmonte, G. De Matteis, J. R. T. de Mello Neto, A. P. A. De Mendonca, D. M. DeMuth, S. Dennis, C. Densham, P. Denton, G. W. Deptuch, V. De Romeri, J. P. Detje, K. Dhanmeher, R. Dharmapalan, M. Dias, A. Diaz, J. S. Díaz, F. Díaz, F. Di Capua, A. Di Domenico, S. Di Domizio, S. Di Falco, D. Di Ferdinando, L. Di Giulio, P. Ding, L. Di Noto, E. Diociaiuti, G. Di Sciascio, C. Distefano, R. Di Stefano, R. Diurba, M. Diwan, Z. Djurcic, S. Dolan, M. Dolce, M. J. Dolinski, D. Domenici, S. Donati, S. Doran, D. Douglas, F. Drielsma, D. J. Drobner, D. Duchesneau, K. Duffy, K. Dugas, P. Dunne, S. Durando, B. Dutta, D. A. Dwyer, A. S. Dyshkant, S. Dytman, M. Eads, S. Edayath, J. Eisch, S. Elias, J. Ellis, W. Emark, P. Englezos, A. Ereditato, D. T. Ergonul, T. Erjavec, C. O. Escobar, J. J. Evans, E. Ewart, A. C. Ezeribe, K. Fahey, A. Falcone, C. Fang, M. Fani', F. Fanomezana, D. Faragher, C. Farnese, Y. Farzan, J. Felix, Y. Feng, C. Ferrari, M. Ferreira da Silva, E. Fialova, L. Fields, P. Filip, A. Filkins, F. Filthaut, G. Fiorillo, M. Fiorini, N. F. Fiuza De Barros, A. Flather, S. Fogarty, W. Foreman, B. Fossing, J. Franc, K. Francis, D. Franco, J. Franklin, J. Freeman, A. Friedland, S. Fuess, I. K. Furic, K. Furman, A. P. Furmanski, R. Gaba, A. Gabrielli, A. M Gago, F. Galizzi, H. Gallagher, M. Galli, N. Gallice, V. Galymov, E. Gamberini, T. Gamble, R. Gan, R. Gandhi, S. Ganguly, F. Gao, S. Gao, A. Garcia, D. Garcia-Gamez, M. Á. García-Peris, V. Garcia Pol, F. Gardim, S. Gardiner, P. Gauzzi, S. Gent, A. C. Germer, A. Ghosh, A. Ghosh, T. Giammaria, D. Gibin, I. Gil-Botella, A. Gioiosa, S. Giovannella, A. K. Giri, D. Gnani, O. Gogota, S. Gollapinni, K. Gollwitzer, R. A. Gomes, L. S. Gomez Fajardo, C. Gonzalez, D. Gonzalez-Diaz, J. Gonzalez-Santome, M. C. Goodman, S. Goswami, C. Gotti, J. Goudeau, C. Grace, E. Gramellini, R. Gran, E. Granados, P. Granger, C. Grant, D. R. Gratieri, P. Green, S. Greenberg, W. C. Griffith, K. Grzelak, L. Gu, W. Gu, M. Guarise, R. Guenette, D. Guffanti, A. Guglielmi, F. Y. Guo, A. Gupta, V. Gupta, G. Gurung, D. Gutierrez, P. Guzowski, M. M. Guzzo, S. Gwon, A. Habig, R. Hafeji, L. Hagaman, A. Hahn, J. Hakenmüller, A. Hambardzumyan, T. Hamernik, P. Hamilton, M. Handley, F. Happacher, B. Harris, D. A. Harris, L. Harris, A. L. Hart, J. Hartnell, T. Hartnett, T. Hasegawa, C. M. Hasnip, K. Hassinin, R. Hatcher, S. Hawkins, J. Hays, M. He, A. Heavey, K. M. Heeger, A. Heindel, J. Heise, K. Heller, P. Hellmuth, L. Henderson, A. Hergenhan, J. Hernández, M. A. Hernandez Morquecho, K. Herner, V. Hewes, A. Higuera, K. Hildebrandt, A. Himmel, E. Hinkle, L. R. Hirsch, J. Ho, A. Holin, G. A. Horton-Smith, R. Hosokawa, T. Houdy, B. Howard, I. Hristova, M. S. Hronek, Y. Hua, J. Huang, R. G. Huang, X. Huang, Z. Hulcher, A. Hussain, N. Ilic, A. M. Iliescu, R. Illingworth, G. Ingratta, A. Ioannisian, M. Ismerio Oliveira, C. M. Jackson, A. Jacobi, V. Jain, C. James, E. James, R. James, S. Jana, W. Jang, B. Jargowsky, C. Jiang, J. Jiang, X. Jin, A. Jipa, J. H. Jo, A. M. Johnson, W. Johnson, C. Jollet, M. Joshi, N. Jovancevic, M. Judah, C. K. Jung, K. Y. Jung, T. Junk, Y. Jwa, M. Kabirnezhad, A. C. Kaboth, I. Kadenko, O. Kalikulov, M. Kandemir, S. Kar, C. Karagianni, G. Karagiorgi, G. Karaman, A. Karcher, Y. Karyotakis, L. Kashur, A. Kauther, N. Kazaryan, L. Ke, E. Kearns, P. T. Keener, A. Kelly, K. J. Kelly, J. Kerby, D. Kereibay, Y. Kermaidic, W. Ketchum, S. H. Kettell, N. Khan, A. Khvedelidze, J. Kim, M. J. Kim, S. Kim, B. King, M. King, M. Kirby, A. Kish, J. Klein, J. Kleykamp, T. Kobilarcik, L. Koch, L. W. Koerner, D. H. Koh, K. Kong, M. Kordosky, V. A. Kostelecký, I. Kotler, M. Kramer, F. Krennrich, T. Kroupova, S. Kubota, M. Kubu, V. A. Kudryavtsev, G. Kufatty, A. Kumar, A. Kumar, J. Kumar, M. Kumar, P. Kumar, S. Kumaran, J. Kunzmann, V. Kus, T. Kutter, T. Labree, M. Lachat, T. Lackey, A. Lambert, B. J. Land, C. E. Lane, N. Lane, K. Lang, M. Langstaff, F. Lanni, S. Lanzi, J. Larkin, P. Lasorak, D. Last, W. Lavrijsen, H. Lay, I. Lazanu, M. Lazzaroni, S. Leardini, J. Learned, G. Lehmann Miotto, R. Lehnert, S. Lehrman, M. Leitner, H. Lemoine, D. Leon Silverio, L. M. Lepin, J. D. Lewis, J. -Y Li, S. W. Li, Y. Li, R. C. R. Lima, C. S. Lin, D. Lindebaum, S. Linden, A. Lister, B. R. Littlejohn, J. Liu, Y. Liu, Y. Liu, M. Lkhagvadorj, S. Lockwitz, I. Lomidze, J. Lopez, N. López-March, A. Lopez Moreno, J. M. LoSecco, A. Lozano Sanchez, X. -G. Lu, M. Lucente, K. B. Luk, X. Luo, G. Lupi, E. Luppi, A. A. Machado, P. Machado, C. T. Macias, J. R. Macier, L. Madern, S. Magill, K. Mahn, A. Maio, N. Majeed, K. Majumdar, P. K. Mal, S. Mameli, M. Man, R. C. Mandujano, J. Maneira, S. Manly, K. Manolopoulos, M. Manrique Plata, S. Manthey Corchado, L. Manzanillas-Velez, E. Mao, M. Marchan, A. Marchionni, D. Marfatia, C. Mariani, J. Maricic, F. Marinho, A. D. Marino, T. Markiewicz, F. Das Chagas Marques, M. Marshak, C. M. Marshall, J. Marshall, J. Martin, M. Martin, L. Martina, J. Martín-Albo, D. A. Martinez Caicedo, M. Martinez-Casales, F. Martínez López, V. Mascagna, A. Mastbaum, M. Masud, F. Matichard, J. Matthews, C. Mauger, N. Mauri, K. Mavrokoridis, I. Mawby, T. McAskill, N. McConkey, B. McConnell, K. S. McFarland, C. McGivern, C. McGrew, A. McNab, C. McNulty, J. Mead, L. Meazza, V. C. N. Meddage, A. Medhi, M. Mehmood, B. Mehta, P. Mehta, F. Mei, P. Melas, L. Mellet, O. Mena, D. P. Méndez, A. Menegolli, G. Meng, A. Mengarelli, A. Meregaglia, G. Merino, M. D. Messier, S. Metallo, M. Mewes, H. Meyer, T. Miao, J. Micallef, G. Michna, R. Milincic, F. Miller, G. Miller, W. Miller, A. Minotti, L. Miralles Verge, C. Mironov, S. Miscetti, P. Mishra, S. R. Mishra, D. Mladenov, I. Mocioiu, A. Mogan, P. S. Mohan, R. Mohanta, T. A. Mohayai, J. Molina, L. Molina Bueno, E. Montagna, A. Montanari, C. Montanari, D. Montanari, D. Montanino, L. M. Montaño Zetina, M. Mooney, A. F. Moor, M. Moore, Z. Moore, B. Moreira, D. Moreno, G. Moreno-Granados, O. Moreno-Palacios, L. Morescalchi, A. Morita, E. Motuk, C. A. Moura, W. Mu, L. Mualem, J. Mueller, M. Muether, N. Mujica-Schwahn, Y. Mukhamejanov, A. Mukhamejanova, E. Muldoon, M. Mulhearn, D. Munford, L. J. Munteanu, H. Muramatsu, T. Murphy, A. Mytilinaki, J. Nachtman, Y. Nagai, S. Nagu, H. Nam, D. Naples, S. Narita, D. Navas-Nicolás, A. Navrer-Agasson, N. Nayak, M. Nebot-Guinot, J. K. Nelson, O. Neogi, J. Nesbit, C. Nesmith, M. Nessi, D. Newbold, M. Newcomer, L. Nguyen, R. Nichol, F. J. Nicolas-Arnaldos, A. Nielsen, A. Nikolica, J. Nikolov, E. Niner, X. Ning, A. Norman, N. Noroozi, A. Norrick, P. Novella, A. Nowak, J. A. Nowak, J. P. Ochoa-Ricoux, S. Oh, S. B. Oh, L. Olaya-Quemba, A. Olivier, T. Olson, Y. Onel, A. Oranday, G. D. Orebi Gann, A. I. R. Orimogunje, M. Osbiston, J. E. Ossa Sanchez, L. O'Sullivan, L. Otiniano Ormachea, L. Pagani, O. Palamara, S. Palestini, J. M. Paley, M. Pallavicini, C. Palomares, B. Pan, S. Pan, M. Panareo, P. Panda, V. Pandey, W. Panduro Vazquez, E. Pantic, V. Paolone, A. Papadopoulou, R. Papaleo, D. Papoulias, S. Paramesvaran, J. Park, J. Park, Y. Park, S. Parke, S. Parsa, M. Parvu, D. Pasciuto, S. Pascoli, L. Pasqualini, C. Pate, G. Patel, J. L. Paton, C. Patrick, L. Patrizii, R. B. Patterson, T. Patzak, A. Paudel, L. Paulucci, Z. Pavlovic, G. Pawloski, D. Payne, A. Peake, V. Pec, E. Pedreschi, L. Pelegrina-Gutiérrez, W. Pellico, E. Pennacchio, A. Penzo, O. L. G. Peres, Y. F. Perez Gonzalez, L. Pérez-Molina, C. Pernas, J. Perry, D. Pershey, G. Petrillo, C. Petta, R. Petti, M. Pfaff, V. Pia, G. M. Piacentino, L. Pickering, G. Piemonti, L. Pierini, F. Pietropaolo, M. Pimenta Sampaio, V. L. Pimentel, G. Pinaroli, S. Pincha, K. Pitts, P. Plesniak, K. Pletcher, K. Plows, C. Pollack, F. Polleri, T. Pollmann, F. Pompa, X. Pons, N. Poonthottathil, F. Poppi, J. Porter, L. G. Porto Paixao, M. Pozzato, R. Pradhan, L. Prais, T. Prakash, M. Prest, D. Pugnere, D. Pullia, X. Qian, J. Queen, J. Quelin-Lechevranton, J. L. Raaf, V. Radeka, J. Rademacker, F. Raffaelli, A. Rafique, U. Rahaman, A. Rahe, S. Rajagopalan, M. Rajaoalisoa, I. Rakhno, L. Rakotondravohitra, M. A. Ralaikoto, L. Ralte, L. Ralte, M. A. Ramirez Delgado, B. Ramson, A. Rappoldi, G. Raselli, T. Rath, P. Ratoff, R. Raut, R. Ray, H. Razafinime, R. F. Razakamiandra, E. M. Rea, J. S. Real, B. Rebel, R. Rechenmacher, M. Reggiani-Guzzo, J. Reichenbacher, S. D. Reitzner, E. Renner, S. Repetto, S. Rescia, F. Resnati, J. V. Restrepo Laverde, C. Reynolds, S. Riboldi, C. Riccio, G. Riccobene, J. S. Ricol, M. Rigan, A. Rikalo, A. Ritchie-Yates, D. Rivera, A. Rivetti, A. Robert, E. Robles, A. Roche, M. Roda, D. Rodas Rodríguez, J. Rodriguez Rondon, S. Rosauro-Alcaraz, D. Ross, M. Rossella, M. Ross-Lonergan, N. Roy, P. Roy, C. Royon, C. Rubbia, A. Ruggeri, G. Ruiz Ferreira, K. Rushiya, B. Russell, E. Sabater Andres, S. Sacerdoti, N. Saduyev, D. Sagar, S. Saha, S. K. Sahoo, N. Sahu, S. Sakhiyev, P. Sala, N. Sallin, S. Samanta, M. C. Sanchez, A. Sánchez-Castillo, P. Sanchez-Lucas, D. A. Sanders, S. Sanfilippo, G. Santoni, D. Santoro, N. Saoulidou, P. Sapienza, I. Sarcevic, I. Sarra, C. Sauer, L. Sauer, G. Savage, V. Savinov, A. Scaramelli, T. Schefke, H. Schellman, S. Schifano, P. Schlabach, D. W. Schmitz, A. W. Schneider, K. Scholberg, A. Schroeder, A. Schukraft, B. Schuld, S. Schwartz, A. Segade, H. Segal, E. Segreto, A. Selyunin, D. Senadheera, C. R. Senise, J. Sensenig, S. H. Seo, D. Seppala, M. H. Shaevitz, P. Shanahan, P. Sharma, R. Kumar, S. Sharma Poudel, K. Shaw, T. Shaw, J. Shen, C. Shepherd-Themistocleous, J. Shi, W. Shi, S. Shin, S. Shivakoti, A. Shmakov, I. Shoemaker, R. Shrock, M. Siden, J. Silber, L. Simard, J. Sinclair, G. Sinev, Jaydip Singh, jyotsna Singh, L. Singh, P. Singh, V. Singh, S. Singh Chauhan, R. Sipos, G. Sirri, K. Siyeon, K. Skarpaas, J. Smedley, J. Smith, R. S. Smith-Jones, J. Smolik, M. Smy, M. Snape, E. L. Snider, P. Snopok, M. Soares Nunes, H. Sobel, M. Soderberg, H. Sogarwal, C. J. Solano Salinas, S. Söldner-Rembold, N. Solomey, V. Solovov, W. E. Sondheim, T. Sonius, M. Sorbara, M. Sorel, J. Soto-Oton, A. Sousa, K. Soustruznik, D. Souza Correia, F. Spinella, J. Spitz, N. J. C. Spooner, D. Stalder, M. Stancari, L. Stanco, J. Steenis, R. Stein, H. M. Steiner, A. F. Steklain Lisbôa, J. Stewart, B. Stillwell, J. Stock, T. Stokes, T. Strauss, L. Strigari, W. Su, A. Surdo, L. Suter, A. Sutton, R. Svoboda, S. K. Swain, C. Sweeney, B. Szczerbinska, A. M. Szelc, A. Sztuc, A. Taffara, N. Talukdar, J. Tamara, H. A. Tanaka, S. Tang, N. Taniuchi, A. M. Tapia Casanova, A. Tapper, S. Tariq, E. Tatar, R. Tayloe, K. Tellez Giron Flores, P. Tennessen, M. Tenti, K. Terao, F. Terranova, S. Teruel, G. Testera, A. Thea, S. Thomas, A. Thompson, C. Thorpe, M. Timalsina, S. C. Timm, E. Tiras, V. Tishchenko, S. Tiwari, N. Todorović, L. Tomassetti, A. Tonazzo, D. Torres Muñoz, M. Torti, M. Tortola, Y. Torun, N. Tosi, D. Totani, M. Toups, C. Touramanis, V. Trabattoni, P. Trevarrow, E. Triller, S. Trilov, D. Trotta, W. H. Trzaska, Y. Tsai, Y. -T. Tsai, Z. Tsamalaidze, K. V. Tsang, N. Tsverava, S. Z. Tu, S. Tufanli, C. Tunnell, S. Turnberg, M. Tuzi, M. Tzanov, J. Ureña González, J. Urheim, T. Usher, H. Utaegbulam, S. Uzunyan, M. R. Vagins, P. Vahle, G. A. Valdiviesso, E. Valencia, R. Valentim da Costa Lima, Z. Vallari, E. Vallazza, J. W. F. Valle, R. Van Berg, D. V. Forero, A. Vannozzi, M. Van Nuland-Troost, F. Varanini, N. Vaughan, A. Vázquez-Ramos, J. Vega, G. Velev, J. Vences, A. Verdugo, M. Verzocchi, K. Vetter, M. Vicenzi, H. Vieira de Souza, C. Vignoli, C. Vilela, E. Villa, S. Viola, B. Viren, G. V. Stenico, R. Vizarreta, A. P. Vizcaya Hernandez, S. Vlachos, Q. Vuong, A. V. Waldron, L. Walker, H. Wallace, M. Wallach, J. Walsh, T. Walton, L. Wan, B. Wang, J. Wang, L. Wang, M. H. L. S. Wang, X. Wang, Y. Wang, Y. Wang, L. Warsame, M. O. Wascko, D. Waters, K. Wawrowska, A. Weber, C. M. Weber, M. Weber, H. Wei, A. Weinstein, D. Wermelinger, S. Westerdale, M. Wetstein, Q. Weyrich, K. Whalen, A. J. White, L. H. Whitehead, D. Whittington, M. M. Wiersma, M. J. Wilking, A. Wilkinson, C. Wilkinson, R. J. Wilson, P. Winter, J. Wolcott, J. Wolfs, T. Wongjirad, A. Wood, K. Wood, E. Worcester, M. Worcester, K. Wresilo, M. Wright, M. Wrobel, S. Wu, Z. Wu, J. Wyenberg, B. M. Wynne, Y. Xiao, Z. Xie, D. Xing, B. Yaeggy, A. Yahaya, N. Yahlali, E. Yandel, G. Yang, J. Yang, A. Yankelevich, L. Yates, U. Yevarouskaya, K. Yonehara, T. Young, B. Yu, H. Yu, J. Yu, K. Yu, X. Yu, W. Yuan, R. Zaki, J. Zalesak, L. Zambelli, B. Zamorano, A. Zani, L. Zazueta, G. P. Zeller, J. Zennamo, J. Zettlemoyer, C. Zhang, S. Zhang, Y. Zhang, L. Zhao, K. Zhu, E. D. Zimmerman, S. Zucchelli, A. Zummo, V. Zutshi, R. Zwaska
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
La Grande Caccia ai Neutrini: Un Gioco di Nascondino Cosmico
Immaginate che l'universo sia pieno di messaggeri invisibili e spettrali chiamati neutrini. Queste particelle minuscole sono così timide che possono attraversare un anno luce di piombo solido senza urtare un singolo atomo. Sfrecciano attraverso la Terra, attraverso il vostro corpo e attraverso le pareti della vostra casa trilioni di volte ogni secondo, completamente invisibili. Per decenni, gli scienziati hanno cercato di catturare questi fantasmi per comprendere un enorme mistero: perché il nostro universo esiste affatto?
La storia inizia con un trucco strano che queste particelle mettono in atto. I neutrini arrivano in tre "sapori" — elettrone, muone e tau — ma mentre viaggiano, non rimangono uguali. Si trasformano, o "oscillano", da un sapore all'altro. Questa metamorfosi è governata da una ricetta segreta chiamata "angoli di miscelazione" e da un orologio nascosto chiamato "fase di violazione di CP". Se queste impostazioni sono giuste, l'universo potrebbe aver creato più materia che antimateria durante il Big Bang, permettendo a stelle, pianeti e a noi di esistere. Se fossero sbagliate, tutto si sarebbe annichilito istantaneamente. Il Deep Underground Neutrino Experiment (DUNE) è una macchina massiccia progettata per catturare questi trasformisti in azione, misurando esattamente come cambiano per risolvere l'enigma della nostra esistenza.
La Missione del Paper: Una Storia Investigativa Bayesiana
Questo articolo non presenta nuovi dati dall'esperimento DUNE stesso, perché l'esperimento non ha ancora finito di raccogliere i suoi indizi del mondo reale. Invece, agisce come un maestro detective che utilizza un nuovo e potente strumento per simulare cosa accadrà quando arriveranno i dati reali. Gli autori hanno utilizzato un metodo statistico chiamato inferenza bayesiana (specificamente un approccio Markov Chain Monte Carlo, o MCMC) per mappare la "sensibilità" di DUNE. Pensate a questo come al lancio di un milione di simulazioni virtuali dell'esperimento per vedere quanto bene sarà in grado di risolvere il mistero sotto diversi scenari.
Il risultato principale del paper è che questo approccio bayesiano è incredibilmente potente per districare la complessa rete di relazioni tra le proprietà dei neutrini. In passato, gli scienziati spesso guardavano una variabile alla volta, come cercare di risolvere un puzzle guardando un singolo pezzo. Questo articolo mostra che guardando l'intera immagine contemporaneamente, possono vedere come i pezzi si incastrano tra loro. Ad esempio, hanno trovato una forte "danza" tra due angoli di miscelazione specifici, sin2θ23 e sin2θ13. Quando cercate di misurarne uno, l'altro cerca di nascondersi, creando una sfocatura confusa. Il metodo bayesiano permette loro di vedere la forma completa, quadridimensionale, di questa sfocatura, mostrando esattamente dove è probabile che si nascondano i valori reali.
Una delle scoperte più eccitanti del paper è quanto l'esperimento migliori quando riceve aiuto da fonti esterne. Gli autori hanno simulato cosa succede se DUNE combina i propri dati con misurazioni precise di θ13 provenienti da esperimenti a reattore (esperimenti a breve base che fungono da "riferimento" per una parte del puzzle). Hanno scoperto che l'aggiunta di questo vincolo esterno è un elemento decisivo. Senza di esso, DUNE fatica a capire se un angolo specifico si trova nel suo intervallo "superiore" o "inferiore" (noto come ottante). Ma con i dati del reattore, la simulazione mostra che DUNE può rigettare la risposta errata con alta confidenza, potenzialmente escludendo l'ottante errato con un livello di significatività di 3σ (un segnale statistico molto forte) con una grande quantità di dati (1000 kt-MW-yr).
Il paper introduce anche un modo del tutto nuovo di guardare i dati: l'invariante di Jarlskog (J). Mentre gli studi precedenti si concentravano sui singoli angoli, J è un numero singolo che li combina tutti per misurare la quantità totale di "violazione di CP" (l'asimmetria materia-antimateria) in un modo che non dipende da come si scelgono di etichettare gli angoli. Gli autori hanno simulato la capacità di DUNE di misurare questo valore e hanno scoperto che, anche con una quantità moderata di dati (200 kt-MW-yr), l'esperimento potrebbe probabilmente escludere l'idea che la CP sia conservata (dove J=0) al livello di 3σ se il valore reale della fase è −π/4. Ciò significa che DUNE potrebbe dimostrare che i neutrini sono effettivamente la ragione per cui l'universo contiene materia, anziché solo antimateria.
Gli autori sottolineano con cura che questi sono risultati di simulazioni, non misurazioni finali. Hanno utilizzato "dataset Asimov", versioni perfette e idealizzate dei dati che l'esperimento spera di raccogliere, per testare i loro metodi. Escludono esplicitamente l'idea di aver già risolto il mistero; piuttosto, hanno costruito una mappa robusta e flessibile che mostra esattamente come DUNE lo risolverà una volta che i dati reali inizieranno a fluire. Hanno anche dimostrato che il loro metodo è abbastanza flessibile da poter aggiungere facilmente nuovi vincoli in seguito, rendendolo uno strumento superiore per il lungo viaggio che li attende. In breve, questo articolo è una prova di concetto che un nuovo modo di pensare ai dati, più olistico, permetterà a DUNE di vedere i segreti dei neutrini con una chiarezza senza precedenti.
Sintesi Tecnica: Un Approccio Bayesiano alla Sensibilità delle Oscillazioni dei Neutrini a Lungo Baseline di DUNE
Enunciato del Problema
L'esperimento Deep Underground Neutrino Experiment (DUNE) mira a condurre uno studio completo delle oscillazioni dei neutrini, puntando specificamente alla determinazione dell'ordinamento della massa dei neutrini, alla misurazione della violazione della parità di carica (CPV) e alle misurazioni di precisione dei parametri di oscillazione (δCP, θ13, θ23, Δm322). Sebbene precedenti studi di sensibilità di DUNE abbiano utilizzato metodi classici frequentisti, tali approcci possono avere difficoltà con la complessità degli spazi di parametri ad alta dimensionalità, in particolare riguardo alle correlazioni tra i parametri e alle degenerazioni (ad esempio, tra l'ottante di θ23 e θ13). Inoltre, derivare la sensibilità per quantità derivate e non lineari come l'invariante di Jarlskog (J) — una misura della violazione di CP indipendente dalla parametrizzazione — è computazionalmente difficile all'interno del framework frequentista. Questo articolo affronta la necessità di un framework statistico flessibile per valutare la sensibilità di DUNE, esplorare le correlazioni multidimensionali e valutare l'impatto dei vincoli esterni sulle distribuzioni a posteriori.
Metodologia
Gli autori impiegano un trattamento statistico bayesiano utilizzando il campionamento Markov Chain Monte Carlo (MCMC), specificamente l'algoritmo Metropolis–Rosenbluth–Rosenbluth–Teller–Teller (MR2T2), per estrarre le distribuzioni di probabilità a posteriori dei parametri di oscillazione.
- Campionamento Efficiente: Per affrontare il costo computazionale del campionamento di spazi complessi e ad alta dimensionalità, gli autori utilizzano l'algoritmo Adaptive Metropolis (AM). Questo metodo aggiorna iterativamente la matrice di covarianza di proposta basandosi sui passi compiuti nella catena. Per ottimizzare ulteriormente l'efficienza, la fase di tuning viene eseguita su un sottoinsieme sottocampionato al 5% degli eventi Monte Carlo (MC), pesato per corrispondere al tasso di dati previsto, prima di tornare al campione completo per il fit finale. Ciò riduce i costi computazionali di circa 15 volte per il tuning e di 50 volte per il campionamento rispetto al tuning manuale della covarianza.
- Ripesatura dei Prior: Il framework consente l'incorporazione post-hoc di vincoli esterni (come le misurazioni dei reattori per θ13) senza dover rieseguire le catene MCMC. Ciò si ottiene ripesando i campioni esistenti mediante il rapporto tra il nuovo prior e il vecchio prior.
- Framework di Analisi: Lo studio utilizza il framework MaCh3 per modellare il flusso di neutrini (G4LBNF), le interazioni dei neutrini (GENIE v2.12.10) e le risposte dei detector. Le incertezze sistematiche (flusso, sezione d'urto, detector) sono implementate tramite funzioni di risposta binariate e matrici di covarianza. L'analisi utilizza dataset Asimov generati da previsioni MC nominali basate su due distinti set di parametri reali: il fit globale NuFIT 6.0 (Normal Ordering, ottante inferiore di θ23) e il best-fit della analisi congiunta T2K-NOvA (Inverted Ordering, ottante superiore di θ23).
- Esposizioni: La sensibilità è valutata per due benchmark di esposizione: 200 kt-MW-yr (che rappresenta 2 moduli di detector e un fascio da 1.2 MW) e 1000 kt-MW-yr (raggiungimento a lungo termine).
Contributi Chiave
- Distribuzioni a Posteriori Quadridimensionali: L'articolo presenta le prime distribuzioni di probabilità a posteriori quadridimensionali complete per DUNE, visualizzando la piena struttura di correlazione tra sin2θ23, sin2θ13, Δm322 e δCP. Ciò evidenzia come gli effetti di marginalizzazione nelle proiezioni a bassa dimensione possano oscurare i veri valori dei parametri.
- Quantificazione della Sensibilità dell'Ottante di θ23: Lo studio quantifica la sensibilità all'ottante di θ23 utilizzando i fattori di Bayes. Dimostra che l'applicazione di un vincolo gaussiano esterno su sin2θ13 (derivato dagli esperimenti dei reattori) sopprime significativamente la probabilità a posteriori dell'ottante "sbagliato", particolarmente per lo scenario di best-fit T2K-NOvA.
- Primo Studio della Sensibilità dell'Invariante di Jarlskog: L'articolo presenta il primo studio di sensibilità di DUNE all'invariante di Jarlskog (J). Valutando J in ogni step MCMC, gli autori derivano le distribuzioni a posteriori per questa misura della violazione di CP indipendente dalla parametrizzazione senza modificare il fit sottostante.
Risultati
- Correlazioni tra i Parametri: All'esposizione di 200 kt-MW-yr, esistono forti anti-correlazioni tra sin2θ23 e sin2θ13, e le degenerazioni impediscono una preferenza definitiva per l'ottante di θ23. Il punto di Massima Densità a Posteriori (HPD) nelle proiezioni 1D per sin2θ13 non si allinea con il valore reale a causa di questi effetti di marginalizzazione, una discrepanza risolta solo visualizzando l'intero posteriore 2D.
- Impatto dell'Esposizione: L'aumento dell'esposizione a 1000 kt-MW-yr solleva significativamente le degenerazioni attraverso lo spazio dei parametri 4D. La correlazione tra δCP e altri parametri si riduce, e la preferenza per l'ottante reale si rafforza, causando l'allineamento dell'HPD del posteriore 1D di sin2θ13 con il valore reale.
- Sensibilità dell'Ottante con Vincoli: Senza vincoli esterni, il fattore di Bayes per l'ottante corretto è basso a 200 kt-MW-yr. Tuttavia, l'applicazione del vincolo θ13 dei reattori aumenta significativamente il fattore di Bayes. Per lo scenario di best-fit T2K-NOvA, ciò risulta in un rifiuto dell'ottante errato con una significatività >3σ all'esposizione di 1000 kt-MW-yr.
- Invariante di Jarlskog (J): Per un vero δCP=−π/4, lo studio trova che la regione di conservazione della CP (J=0) si trova appena fuori dall'intervallo di credibilità a 3σ a 200 kt-MW-yr. A 1000 kt-MW-yr, la larghezza del posteriore si restringe significativamente e la distribuzione diventa insensibile alla scelta del prior (uniforme in δCP vs sinδCP). L'analisi rivela che DUNE vincola principalmente l'ampiezza combinata della violazione di CP piuttosto che i singoli angoli di miscelazione in isolamento.
Significatività
L'articolo sostiene che il framework bayesiano offre uno strumento robusto e flessibile per caratterizzare lo spazio completo dei parametri delle oscillazioni dei neutrini, in particolare nel gestire le complesse correlazioni e degenerazioni che sono difficili da visualizzare o quantificare utilizzando i metodi frequentisti. La capacità di incorporare facilmente vincoli esterni e derivare distribuzioni a posteriori per quantità derivate non lineari come l'invariante di Jarlskog rappresenta un significativo avanzamento metodologico per la collaborazione DUNE. I risultati sottolineano il ruolo critico dei vincoli esterni su θ13 nel risolvere l'ambiguità dell'ottante di θ23 e dimostrano il potenziale di DUNE nel fornire una misura della violazione di CP indipendente dalla parametrizzazione nel settore leptonico.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.
Ricevi i migliori articoli di high-energy experiments ogni settimana.
Scelto da ricercatori di Stanford, Cambridge e dell'Accademia francese delle scienze.
Controlla la tua casella di posta per confermare l'iscrizione.
Qualcosa è andato storto. Riprovare?
Niente spam, cancellati quando vuoi.