Improved muon energy estimation using a detailed model of multiple Coulomb scattering in the MicroBooNE LArTPC

本文提出了一种改进的微玻诺（MicroBooNE）液氩时间投影室（LArTPC）中μ子能量估算技术，通过引入增强的探测器非理想化因素对多次库仑散射进行建模，在实现显著优于以往方法的分辨率并降低偏差的同时，验证了数据与模拟结果之间的高度一致性。

要点

想象一下，你正试图猜测一辆汽车在浓雾弥漫的森林中行驶的速度。你看不见汽车的速度表，而且汽车行驶得如此之快，在你来得及计时它穿越森林所需的时间之前，它就已经驶出了森林。然而，你可以看到汽车留下的轨迹。

如果汽车行驶缓慢，它会为了避开树木而频繁转向。如果它行驶得很快，则几乎不会转向。通过测量汽车在撞击树木时“摇摆”或散射的程度，你就可以估算出它的速度。

MicroBooNE 合作组所做的正是如此，只不过他们追踪的不是汽车和树木，而是穿过巨大液态氩罐（一种超冷、不可见的流体）的μ子（微小、幽灵般的粒子）。

以下是他们新方法的简要说明，使用了简单的类比：

问题：“逃逸”策略

在他们巨大的探测器中，许多μ子速度极快，以至于它们不会在内部停止，而是直接飞出另一侧。

• 旧方法： 之前猜测μ子能量的方法，就像试图通过测量跑步者跑了多远来猜测其速度。如果跑步者在跑完赛道前就离开了跑道，你就无法测量距离，因此也无法猜测速度。
• 新想法： 他们不再测量距离，而是测量摇摆。当μ子穿过液态氩时，它会撞击原子，导致其路径发生轻微散射。μ子速度越快，路径越直；速度越慢，路径越呈锯齿状。

旧的“摇摆”计算器存在缺陷

该团队曾拥有一种测量这种摇摆的旧工具，但它就像使用模糊、低分辨率的相机。它犯了两个主要错误：

1. 它忽略了“怪异”的摇摆： 有时μ子会撞击 stray 电子，或被“δ射线”（被撞击松脱的微小粒子）击中，导致其路径突然发生巨大跳跃。旧模型假设所有摇摆都是平滑且可预测的（像钟形曲线）。当发生巨大且意外的跳跃时，旧模型会感到困惑，并错误地猜测μ子的速度比实际慢得多。
2. 它对所有方向一视同仁： 探测器的导线按特定方向排列。测量μ子位置时的“模糊”或误差，取决于μ子相对于导线的行进方向。旧模型对所有情况使用同一个“模糊”数值，这并不准确。

新的“高清”模型

该团队构建了一个更智能的新计算器，包含四个关键升级：

1. “双高斯”镜头
他们意识到μ子的路径通常平滑，但偶尔会有“尖峰”，而不是假设其为完美的平滑曲线。

• 类比： 想象一群人走在走廊里。大多数人走直线（主群体）。但时不时有人撞到门框并剧烈踉跄（尾部）。
• 修正： 他们的新模型使用“双高斯”函数。它有一条曲线用于平滑行走者，另一条更宽的曲线用于剧烈踉跄者。这使得他们能够解释那些怪异的跳跃，而不会感到困惑并错误猜测速度。

2. 分离“漂移”与“导线”
探测器具有“漂移”方向（电子漂浮的方向）和“导线”方向（电子被捕获的方向）。每个方向的测量误差都不同。

• 类比： 想象试图测量球在网格上滚动的路径。如果你沿着网格线测量，你的尺子非常精确。如果你斜着穿过网格测量，你的尺子就会有点模糊。
• 修正： 他们将测量分为两个独立的角度：一个对“漂移”模糊度非常敏感，另一个对“导线”模糊度敏感。他们将它们视为两个不同的问题，采用两个不同的解决方案，而不是将它们混合成一个混乱的平均值。

3. “轨迹方向”微调
测量的质量取决于μ子路径的角度。

• 类比： 想象拍摄一辆行驶中的汽车。如果汽车径直朝相机驶来，很容易追踪。如果汽车径直横穿相机视野，由于运动模糊，追踪会变得困难。
• 修正： 他们根据μ子相对于探测器的角度，为计算器创建了五种不同的“设置”。他们针对每个角度专门调整数学计算，确保无论μ子朝哪个方向飞行，“模糊”都能被正确计算。

4. 向“最快”的跑步者学习
为了确切了解他们的相机（探测器分辨率）有多“模糊”，他们观察了最快的μ子（能量最高的那些）。

• 类比： 如果你想了解画画时手有多抖，就观察有人手持重物画直线。如果线仍然是直的，说明你的手很稳；如果线是抖动的，说明你的手在抖。
• 修正： 高能μ子由于物理原因几乎不摇摆。因此，任何观察到的摇摆纯粹归因于探测器的不完美。他们利用这些“完美”的轨迹来测量探测器的确切误差率，而不是进行猜测。

结果：更清晰、更快、更公平

当他们用这种新方法测试模拟数据和真实数据时：

• 偏差更小： 旧方法经常猜测μ子的速度比实际慢 20%。新方法在**1% 到 2%**的范围内准确。
• 分辨率更高： 猜测的“模糊度”显著下降。对于留在罐内的μ子，现在的猜测准确度在**4.3%以内。对于飞出罐外的μ子，准确度在7% 到 17%**之间。
• 现实世界核查： 当他们将新计算器的预测与探测器的实际数据进行比较时，数据完全吻合。他们模型中的“模糊”正如预期那样完美解释了现实世界的数据。

为什么这很重要

这个新工具使科学家能够准确测量飞出探测器的μ子的能量。此前，这些“逃逸”μ子是一个盲区。现在，科学家可以高精度地研究它们，从而开辟理解中微子如何与物质相互作用的新途径。这就像从模糊的监控摄像头升级到高清摄像头，使他们能够看清以前隐藏在迷雾中的宇宙细节。

技术摘要

技术摘要：利用 MicroBooNE 中的多次库仑散射改进缪子能量估算

问题陈述
在类似 MicroBooNE 的液态氩时间投影室（LArTPC）探测器中，重建从探测器体积逸出的缪子（部分包含，即 PC 事例）的能量是一个重大挑战。传统的能量估算器依赖量热能量或剩余射程，要求完整的缪子轨迹在探测器内停止。由于 Booster 中微子束中超过一半的 $\nu_\mu$ 带电流相互作用产生的缪子会逸出 MicroBooNE 探测器，这些标准方法对大量事例（尤其是高能事例）失效。虽然多次库仑散射（MCS）提供了一条无需完整轨迹停止即可估算能量的途径，但 MicroBooNE 先前的实现 [1] 因对探测器非理想化的建模过于简化而精度有限，导致较大的偏差（高达 20%）和较差的分辨率（是新方法的两倍）。

方法论
本工作提出了一种改进的基于 MCS 的缪子能量估算器（$E_\mu^{MCS}$），通过在散射角分布和探测器分辨率建模方面的四项关键创新，解决了先前模型的局限性：

1. 双高斯概率密度函数（PDF）： 作者不再使用源自 Highland 公式的单高斯分布，而是实现了双高斯函数。该模型包含一个“主”高斯（描述约 90% 分布的核心）和一个具有更宽宽度的“次”高斯，以准确模拟非高斯尾部。这对于最大似然估计（MLE）至关重要，因为单高斯会显著低估大角度尾部（由δ射线等重建缺陷引起）的可能性，从而导致能量估算出现偏差。
2. 散射角分解： 作者将平面散射角分解为两个分量：$\theta_{xz}$（对漂移方向敏感）和 $\theta_{yz}$（对丝平面方向敏感）。这种分解考虑了 LArTPC 几何结构固有的非对称重建分辨率，其中电离电荷扩散在漂移方向和丝方向上存在差异。
3. 轨迹导向调节： 该模型引入了对缪子轨迹沿漂移方向速度分量（$|v_x|$）的依赖。轨迹按 $|v_x|$ 分箱，以考虑重建质量的变化（例如等时拓扑与延长拓扑），从而允许针对不同轨迹取向独立调节分辨率参数。
4. 直接分辨率提取： 作者并非仅通过最小化能量偏差来调节分辨率参数，而是直接从高能缪子模拟中提取探测器角分辨率，此时 MCS 贡献被最小化。这提供了对探测器本征分辨率更直接的测量。

能量估算过程利用迭代调节程序来确定双高斯 PDF 的参数（$\sigma_1$、$\sigma_2$ 和面积分数 $A$）作为缪子能量的函数。最终的能量估算是通过最大化给定调节后 PDF 的观测散射角的总似然获得的。

关键结果
使用独立的模拟样本进行验证，新估算器相较于 MicroBooNE 先前的 MCS 工作 [1] 表现出显著的性能提升：

• 完全包含（FC）事例： 对于在探测器内停止的缪子，在 0.1 GeV 至 2 GeV 的能量范围内，估算偏差在 1% 以内。随着能量从 0.1 GeV 增加到 2 GeV，能量分辨率从 4.3% 提升至 10%。
• 部分包含（PC）事例： 对于具有至少 1 米重建轨迹且能量低于 2 GeV 的逸出缪子，估算偏差小于 2%，分辨率在 7% 至 17% 之间变化。
• 与先前工作的比较： 这些结果代表了相对于先前估算器的实质性改进，后者在相同能量区域表现出两倍大的分辨率和 20% 的偏差。
• 数据与模型的一致性： 针对真实 MicroBooNE 数据（6.4 $\times$ 10$^{20}$ POT）的验证显示出极好的一致性。FC 和 PC 分布的拟合优度检验（$\chi^2$/ndf），以及 $E_\mu^{MCS}$ 与基于剩余射程的估算值（$E_\mu^{RR}$）之间分数差异的比较，得出的 $p$ 值远高于 0.9。这表明模拟不确定性完全覆盖了观测到的数据与模型之间的差异。

意义与主张
本文主张，这项工作成功展示了 LArTPC 探测器中改进的 MCS 模型，该模型实现了偏差降低、分辨率提升以及稳健的数据 - 模型一致性。通过实现对逸出缪子的可靠能量重建，该方法将中微子相互作用分析的可达相空间扩展到了更高能量和更宽角度。作者认为，这种方法与其他重建方法（例如使用残差神经网络的方法）具有竞争力，并作为验证高能缪子轨迹的有价值的补充估算器。所开发的技术被提出可能适用于其他 LArTPC 实验，包括短基线和深地下中微子计划中的实验。