[论文解读] Model uncertainties for Valencia RPA effect for MINERvA

R. Gran|arXiv (Cornell University)|May 8, 2017

Neutrino Physics Research被引用 8

一句话总结

本文提出一种重加权方法，将巴伦西亚RPA模型及其不确定性应用于GENIE事件生成器中的带电流弹性（CCQE）中微子事例，通过二维（q₀, q₃）权重捕捉RPA抑制效应及其模型不确定性。该方法可在无需特殊GENIE事例样本的情况下，实现对MINERvA、NOvA和DUNE分析的系统误差估计，并通过闭合测试验证，且与现有数据兼容。

ABSTRACT

This technical note describes the application of the Valencia RPA multi-nucleon effect and its uncertainty to QE reactions from the GENIE neutrino event generator. The analysis of MINERvA neutrino data in Rodrigues et al. PRL 116 071802 (2016) paper makes clear the need for an RPA suppression, especially at very low momentum and energy transfer. That published analysis does not constrain the magnitude of the effect; it only tests models with and without the effect against the data. Other MINERvA analyses need an expression of the model uncertainty in the RPA effect. A well-described uncertainty can be used for systematics for unfolding, for model errors in the analysis of non-QE samples, and as input for fitting exercises for model testing or constraining backgrounds. This prescription takes uncertainties on the parameters in the Valencia RPA model and adds a (not-as-tight) constraint from muon capture data. For MINERvA we apply it as a 2D ($q_0$,$q_3$) weight to GENIE events, in lieu of generating a full beyond-Fermi-gas quasielastic events. Because it is a weight, it can be applied to the generated and fully Geant4 simulated events used in analysis without a special GENIE sample. For some limited uses, it could be cast as a 1D $Q^2$ weight without much trouble. This procedure is a suitable starting point for NOvA and DUNE where the energy dependence is modest, but probably not adequate for T2K or MicroBooNE.

研究动机与目标

• 为标准GENIE事件生成器设置中缺失的巴伦西亚RPA多核子效应提供物理解释且可量化的不确定性。
• 通过为RPA抑制效应分配不确定性带，实现在MINERvA、NOvA和DUNE分析中的系统误差传播，而无需依赖专用事例样本。
• 开发一种重加权方案，将RPA修正及其不确定性作为二维权重应用于已生成的GENIE事例，保持模拟保真度。
• 通过闭合测试验证该方法，并确保与MINERvA、μ子捕获及其他约束条件的数据兼容。
• 通过提供明确定义的RPA效应不确定性输入，支持未来模型测试与本底约束工作。

提出的方法

• 该方法使用巴伦西亚模型中RPA开启与关闭事件分布的比值作为（q₀, q₃）空间中的二维重加权因子，其中q₀为能量转移，q₃为动量转移。
• 不确定性来源于巴伦西亚RPA模型的参数变化，并通过低动量转移区域的μ子捕获数据约束进行补充。
• 二维权重应用于完全模拟的GENIE + Geant4事例，避免了对单独RPA优化事例样本的需求。
• 在有限应用场景下，该方法可近似为一维Q²权重，但二维版本能更好地保持模型对动量与能量依赖性的保真度。
• 针对模型偏移情况，提出了增强方案，包括能量/动量转移偏移量与参数化权重调整。
• 通过闭合测试验证该方法，结果表明其能准确重现低Q²区域的预期抑制效应，与MINERvA和μ子捕获数据一致。

实验结果

研究问题

• RQ1 如何为实验分析提供明确定义的不确定性，以量化中微子-核子弹性散射中RPA抑制效应？
• RQ2 是否可使用二维（q₀, q₃）重加权方案准确表示RPA效应及其不确定性，而无需生成新事例？
• RQ3 引入μ子捕获数据约束后，如何改善RPA模型在低动量转移区域的不确定性？
• RQ4 在不显著损失精度的前提下，二维权重在多大程度上可近似为一维Q²权重？
• RQ5 该方法在闭合测试中的表现如何？其与MINERvA数据及其他约束条件的兼容性如何？

主要发现

• 二维（q₀, q₃）重加权方案成功捕捉了RPA抑制效应及其不确定性，不确定性带在高动量转移区域与Sánchez-T2K带相匹配。
• 在极低动量转移区域增加了额外的不确定性，基于μ子捕获数据，这对描述低Q²区域的抑制效应至关重要。
• 该方法可将RPA修正及其不确定性应用于已生成的GENIE + Geant4模拟事例，无需依赖专用的RPA优化事例样本。
• 闭合测试证实，重加权过程稳健且与RPA模型的预期行为一致。
• 与一维Q²权重相比，二维权重能更准确地表示RPA抑制效应，尤其因GENIE与巴伦西亚模型之间存在显著的模型偏移。
• 该方法适用于NOvA和DUNE（能量依赖性较弱），但可能不足以满足T2K或MicroBooNE（能量依赖性较强）的需求。