[论文解读] A Data-Driven Method of Background Prediction at NOvA

K. Sachdev|arXiv (Cornell University)|Oct 1, 2013

Astrophysics and Cosmic Phenomena被引用 5

一句话总结

本文提出一种数据驱动方法，通过利用近端探测器中去除μ子的带电流（MRCC）事例，预测NOνA实验中电子中微子出现搜索的中性流（NC）本底。通过从νμ带电流事例中去除μ子轨迹，该方法构建出一个近似真实NC事例的伪NC样本，从而实现对NC本底的精确估计，系统误差被有效抑制，且与蒙特卡罗模拟结果高度一致。

ABSTRACT

NOvA is a long-baseline neutrino oscillation experiment that will use the NuMI beam originating at Fermilab. NOvA enables the study of two oscillation channels: $ν_μ$ disappearance and $ν_{e}$ appearance. It consists of two functionally identical detectors, the near detector (ND) at Fermilab and the far detector (FD) near International Falls in Northern Minnesota. The ND will be used to study the neutrino beam spectrum and composition before oscillation, and measure background rate to the $ν_e$ appearance search. In this paper, I describe a data-driven technique to estimate the neutral current (NC) component of the ND spectrum. Using the $ν_μ$ CC interactions where the reconstructed muon is removed from the event, we produce a well understood sample of hadronic showers that resemble NC interactions.

研究动机与目标

• 开发一种数据驱动技术，用于估计NOνA实验中ν_e出现分析的中性流（NC）本底。
• 通过使用真实数据而非完全依赖蒙特卡罗模拟，减少NC本底预测中的系统误差。
• 通过去除μ子轨迹，从νμ带电流相互作用中创建伪NC样本，从而模拟NC事例的拓扑结构。
• 使用独立的蒙特卡罗样本验证该方法，确保NC本底估计在形状和归一化上的准确性。
• 实现近端探测器谱向远端探测器的更精确外推，以用于振荡参数测量。

提出的方法

• 利用基于对数似然dE/dx的粒子识别（PID）算法识别中微子相互作用中的μ子轨迹。
• 对事例中的μ子轨迹进行移除，特别处理靠近顶点区域的高强强子活动区，以保留强子能量。
• 顶点区域通过每平面平均dE/dx下降至仅μ子水平来定义，确保强子能量污染最小化。
• 使用蒙特卡罗中真实NC事例与MRCC事例的比率对MRCC数据样本进行缩放，从而得到数据驱动的NC预测：(NC_Pred)_i = (NC_MC / MRCC_MC)_i × (MRCC_Data)_i。
• 将中微子截面和运动学参数带来的系统误差纳入比率误差预算中。
• 通过将该方法应用于统计独立的蒙特卡罗数据集进行验证，确认其能准确再现NC本底的形状与归一化。

实验结果

研究问题

• RQ1 是否能够通过数据驱动方法在不依赖蒙特卡罗模拟的前提下，准确预测NOνA实验中ν_e出现搜索的中性流（NC）本底？
• RQ2 去除μ子的带电流（MRCC）技术在多大程度上能产生与真实NC事例拓扑结构和能量分布相匹配的伪NC样本？
• RQ3 基于比率的缩放方法（NC_MC / MRCC_MC）在在多大程度上能抑制对CC和NC相互作用产生不同影响的系统误差？
• RQ4 当在独立的蒙特卡罗数据上测试时，MRCC方法是否能准确再现NC本底的真实率，包括形状和归一化？

主要发现

• μ子去除过程极为有效，μ子能量的99%被移除，而被误去除的强子能量不足1%，如性能变量中零点附近的紧密峰所示。
• MRCC方法产生的NC本底预测与独立蒙特卡罗验证中的真实NC率高度一致，证实了其在形状和归一化上的准确性。
• 用于缩放数据的蒙特卡罗中NC与MRCC的比率，有效抵消了共同的系统效应，从而提高了预测精度。
• 该方法成功再现了NC事例的重建中微子能量和PID分布，如图6中的比率分布所示。
• 来自截面和运动学参数的系统误差被良好地控制在最终预测的误差带内，如图7所示。
• 数据驱动的NC估计与模拟的NC率高度一致，验证了该方法在NOνA振荡分析中的适用性。