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

Dit artikel toont aan dat door gebruik te maken van meervoudige correlaties in CE$\nu$NS-experimenten en zowel klassieke likelihood-analyse als machine learning, verschillende BSM-scenario's zoals sterile neutrino's en NSI kunnen worden onderscheiden en gelokaliseerd, zelfs wanneer de totale gebeurtenisrate onzeker is.

De kern

Titel: Het Oplossen van het Neutrino-Detectiveverhaal: Van Totaal Tellen tot Vormherkenning

Stel je voor dat je een detective bent die probeert een mysterie op te lossen in een drukke treinhalte. De "treinen" zijn deeltjes die we neutrino's noemen. Ze zijn ongelooflijk klein, onzichtbaar en gaan bijna door alles heen alsof het lucht is. Soms botsen ze echter tegen een muur (een atoomkern in een detector) en geven een klein piepje van energie.

In het verleden hebben wetenschappers vooral gekeken naar hoeveel piepjes ze hoorden. "We hebben 100 piepjes gehoord, terwijl we er 90 verwachtten! Er moet iets vreemds aan de hand zijn!" Maar dit is als een detective die alleen telt hoeveel mensen een station binnenkomen, zonder te kijken wie ze zijn, waar ze vandaan komen of hoe snel ze lopen. Als twee verschillende criminelen (twee verschillende nieuwe natuurwetten) beide precies 100 mensen binnenlaten, kun je ze niet uit elkaar houden.

Dit artikel, geschreven door een team van fysici en statistici, zegt: "Wacht even! We moeten niet alleen tellen, we moeten ook kijken naar het patroon."

Hier is hoe ze dat doen, vertaald naar alledaagse taal:

1. De Opdracht: Twee Verdachten

De wetenschappers kijken naar een specifiek type experiment (waar protonen stoppen en neutrino's maken). Ze hebben twee hoofdverdachten die het mysterie kunnen verklaren:

• Verdachte A (De "Geest"): Een nieuw type neutrino dat we niet kunnen zien (een "steriel neutrino"). Het doet alsof het er niet is, maar het steelt wel wat van de andere deeltjes.
• Verdachte B (De "Verkeerde Weg"): Een nieuwe manier waarop de deeltjes met elkaar omgaan (een "niet-standaard interactie"). Het is alsof de deeltjes een andere soort handschoen dragen die de botsing verandert.

Beide verdachten kunnen zorgen voor een extra aantal piepjes. Als je alleen telt, lijken ze op elkaar. Maar als je kijkt naar de vorm van het verhaal, zijn ze heel verschillend.

2. De Drie Hints: Tijd, Afstand en Energie

In plaats van alleen te tellen, kijken de onderzoekers naar drie dingen tegelijk, alsof ze een 3D-puzzel oplossen:

1. Tijd: De deeltjes komen in twee golven. Eerst een snelle golf (zoals een sprinter) en later een langzamere golf (zoals een wandelaar).
2. Afstand: De detectors staan op verschillende afstanden van de bron.
3. Energie: Hoe hard de deeltjes botsen.

De Analogie:
Stel je voor dat je twee verschillende soorten muziek luistert.

• Verdachte A speelt een liedje met een heel specifiek ritme dat verandert afhankelijk van hoe ver je van de luidspreker afstaat. Het is als een echo die heen en weer kaatst.
• Verdachte B maakt het gewoon luider of zachter, maar het ritme blijft hetzelfde.

Als je alleen naar het volume (het totaal aantal piepjes) luistert, hoor je misschien alleen dat het luid is. Maar als je naar het ritme en de echo kijkt (de vorm), hoor je precies wie er speelt.

3. De Twee Methodes: De Rekenmachine en de AI

De auteurs testen twee manieren om dit op te lossen:

• Methode 1: De Traditionele Rekenmachine (Likelihood-analyse)
  Dit is de oude, betrouwbare manier. Ze gebruiken complexe wiskunde om te kijken welke verdachte het beste past bij het patroon van de data. Ze ontdekken dat als je de data in veel kleine stukjes (bakjes) verdeelt op basis van tijd en afstand, je de twee verdachten heel goed uit elkaar kunt houden. Maar als je alles in één grote bak gooit (alleen tellen), kun je ze niet onderscheiden.

• Methode 2: De Super-Detective (Machine Learning / AI)
  Hier wordt het spannend. Ze trainen een computer (een "Convolutional Neural Network") om de data te zien als een afbeelding of een foto.

  • Ze geven de computer de data, maar ze verwijderen het totale aantal piepjes. Ze zeggen tegen de computer: "Het maakt niet uit of het 100 of 1000 piepjes zijn. Kijk alleen naar de vorm van de foto."
  • Het resultaat? De computer kan de twee verdachten nog steeds perfect uit elkaar houden!
  • De les: De informatie zit echt in de vorm van het patroon, niet in het totale aantal. Zelfs als je niet weet hoeveel deeltjes er precies zijn (wat vaak een groot probleem is in de natuurkunde), kun je het patroon herkennen.

4. Het Nieuwe Avontuur: Waar zat de verdachte precies?

In het laatste deel proberen ze nog iets moeilijks. Ze vragen de computer niet alleen: "Is het Verdachte A of B?", maar ook: "Waar zat Verdachte A precies in zijn 'huis'?" (Dit betekent: wat zijn de exacte getallen van de nieuwe natuurwetten?).

De computer doet dit redelijk goed in gebieden waar het patroon duidelijk is (zoals een duidelijk zichtbaar gezicht), maar faalt in gebieden waar het patroon vaag is (zoals een wazige foto). Dit helpt wetenschappers om te weten waar ze hun zoektocht moeten richten.

Conclusie: Waarom is dit belangrijk?

Vroeger zochten natuurkundigen alleen naar "nieuwe signalen" (een piek in de grafiek). Nu, met deze nieuwe methoden, kunnen ze zeggen: "Oké, we hebben een nieuw signaal gevonden, en het komt waarschijnlijk van dit specifieke type deeltje, niet van dat andere."

Het is de overstap van "Er is iets vreemds!" naar "We weten wat het is en waar we het moeten zoeken."

Deze studie laat zien dat door slimme wiskunde en slimme computers (AI) te combineren, we zelfs met onvolledige of "ruisende" data (zoals een slechte foto of een luidruchtige treinhalte) de waarheid kunnen achterhalen. Het is een stap voorwaarts in het oplossen van de grootste mysteries van het universum.

Technische samenvatting

Probleemstelling

Neutrinosexperimenten worden vaak beperkt door lage statistieken, aanzienlijke systematische onzekerheden (zoals flux-normalisatie) en grove binnings van observabelen. Dit maakt het moeilijk om tussen concurrerende modellen "Beyond the Standard Model" (BSM) te onderscheiden, vooral wanneer deze modellen vergelijkbare totale gebeurtenisopbrengsten (inclusive rates) voorspellen maar verschillende onderliggende dynamische oorsprongen hebben.

Traditionele analyses die voornamelijk gebaseerd zijn op het tellen van totale gebeurtenissen, zijn kwetsbaar voor degeneraties tussen modellen. Het artikel stelt de vraag of er meer onderscheidend vermogen gewonnen kan worden door gebruik te maken van correlaties in de basislijn (afstand), terugstoot-energie en timing, in plaats van alleen op de totale snelheid te vertrouwen. Dit is met name relevant voor experimenten met gestopte pionbronnen (stopped-pion sources), zoals COHERENT, waar de tijdstructuur van het neutrinoflux (prompt vs. vertraagd) extra informatie biedt.

Methodologie

De auteurs gebruiken Coherent Elastic Neutrino-Nucleus Scattering (CEνNS) bij gestopte pionbronnen als testomgeving. Ze vergelijken twee methoden voor modelonderscheiding: een conventionele likelihood-gebaseerde analyse en een Machine Learning (ML) benadering met Convolutional Neural Networks (CNNs).

1. Benchmark Scenarios:
Twee BSM-scenario's worden vergeleken met het Standaardmodel (SM):

• 3+1 Steriele Neutrino Oscillatie: Een scenario met een extra, voornamelijk steriele neutrino-maateigenstaat ($\nu_4$). Dit veroorzaakt een vermindering van het actieve neutrinoflux door oscillaties, afhankelijk van de parameters $|U_{e4}|^2$ en $\Delta m^2_{41}$.
• Neutral-Current Non-Standard Interactions (NSI): Modificaties van de interactiesterkte tussen neutrino's en quarks, geparametriseerd door effectieve koppelingsconstanten ($\epsilon$). Dit verandert de effectieve lading van de kern en dus de verstrooiingskruissectie.

2. Data-Generatie en Observabelen:

• Er worden gesimuleerde datasets gegenereerd voor CsI-detectors op verschillende afstanden (5m - 25m).
• De data worden gebinned in drie dimensies: basislijn (L), terugstoot-energie (E) en tijd (T).
• De tijdstructuur is cruciaal: prompte $\nu_\mu$ (van $\pi^+$ verval) en vertraagde $\nu_e/\bar{\nu}_\mu$ (van $\mu^+$ verval) vullen verschillende tijdvensters, wat een gedeeltelijke ontbinding van smaken mogelijk maakt.

3. Likelihood-Analyse:

• Een binned likelihood wordt geconstrueerd met een nuisance-parameter voor flux-normalisatie-onzekerheid.
• Het Bayesian Information Criterion (BIC) wordt gebruikt om te bepalen welk model (steriel vs. NSI) de data het beste beschrijft, rekening houdend met het aantal vrije parameters.

4. Machine Learning (CNN) Analyse:

• De binned data-distributies worden behandeld als "beelden" (2D: L vs. E, met T als kleurkanalen) en ingevoerd in een Convolutional Neural Network (CNN).
• Belangrijke voorwaarde: Alle input-datasets worden hergenormaliseerd naar een totale gebeurtenisopbrengst voordat ze de classifier bereiken. Hierdoor is het netwerk expliciet onafhankelijk van totale rate-onzekerheden en leert het uitsluitend op basis van de vorm (shape) van de distributie.
• Twee taken worden uitgevoerd:
  • Binary Classification: Onderscheid tussen steriele-neutrino-data en de best passende NSI-hypothese.
  • Multi-class Classification: Lokalisatie van het specifieke parameterpunt binnen het steriele-neutrino-parametergebied (indeling in een 20x20 grid).

Belangrijkste Resultaten

1. Likelihood-Resultaten:

• Wanneer data wordt gereduceerd tot één enkele telbin ({1,1,1}), is er vrijwel geen onderscheidend vermogen; de modellen kunnen elkaar imiteren via de totale snelheid.
• Zodra multidimensionale vorminformatie wordt behouden (vooral in basislijn en energie), wordt onderscheid mogelijk. De oscillatiepatronen van steriele neutrino's kunnen niet goed worden nagebootst door NSI-modellen.
• Een verfijning van de binnings in basislijn en energie levert de grootste winst op; tijdinformatie biedt een aanvullende, maar minder krachtige verbetering.

2. ML-Resultaten (Binary Classification):

• Zelfs na het expliciet verwijderen van de totale gebeurtenisopbrengst uit de input, behoudt het CNN aanzienlijk onderscheidend vermogen.
• De nauwkeurigheid is hoog in gebieden waar de steriele oscillatiepatronen sterk zijn, wat aantoont dat de onderscheidende informatie echt in de vorm van de CEνNS-verdeling zit en niet in de normalisatie.
• Dit bevestigt dat rate-insensitieve strategieën effectief kunnen zijn zelfs bij grote normalisatie-onzekerheden.

3. ML-Resultaten (Multi-class Localization):

• In gunstige gebieden van het parametergebied (met voldoende menging en oscillatie-effecten) kan het netwerk het onderliggende steriele-neutrino-parameterpunt ongeveer lokaliseren.
• De reconstructie is robuuster voor de mengparameter $|U_{e4}|^2$ (horizontale as) dan voor de massakwadratenverdeling $\Delta m^2_{41}$ (verticale as). Dit is fysiek verklaarbaar: de massa-splitsing bepaalt de schaal van de oscillatie, die makkelijker wordt "uitgeveegd" door energieroer en eindige binnings dan de algehele sterkte van het effect.
• Gebieden met kleine menging of zeer hoge $\Delta m^2_{41}$ zijn moeilijker te lokaliseren, wat aangeeft dat de observabelen daar niet voldoende gestructureerde informatie bevatten.

Bijdragen en Significance

• Van Detectie naar Interpretatie: Het artikel toont aan dat CEνNS-experimenten niet alleen anomalieën kunnen detecteren, maar ook kunnen helpen bij het interpreteren van de oorsprong van die anomalieën (onderscheid tussen oscillatie en NSI) en het lokaliseren van parameters.
• Complementariteit van Methoden: Het werk illustreert hoe conventionele statistische methoden en ML-methoden elkaar aanvullen. De ML-benadering bewijst dat de informatie voor onderscheidend vermogen intrinsiek in de data-structuur zit, zelfs als de totale snelheid onbekend of onzeker is.
• Robuustheid tegen Systematiek: Door te tonen dat vorminformatie voldoende is voor onderscheid, biedt dit een weg voor analyse in scenario's waar flux-normalisatie een grote bron van onzekerheid is (bijv. bij reactor-neutrino's).
• Toekomstige Ontwerpen: De resultaten onderstrepen het belang van experimenten met meerdere detectoren op verschillende afstanden en met goede energie- en tijdsoplossing om nieuwe-fysica-hypothese te kunnen onderscheiden.

Conclusie:
De studie levert een bewijs van concept dat gestopte-pion CEνNS-experimenten een veelbelovend platform zijn voor het onderscheiden van BSM-scenario's en het lokaliseren van parameters, mits gebruik wordt gemaakt van multidimensionale vorminformatie. Machine Learning, specifiek CNNs die trainen op vorm而非 snelheid, blijkt een krachtig hulpmiddel om deze taak te vervullen, zelfs in de aanwezigheid van significante systematische onzekerheden.