[论文解读] Recent neutrino oscillation result with the IceCube experiment

Shiqi Yu, Jessie Micallef|arXiv (Cornell University)|Jul 29, 2023

Astrophysics and Cosmic PhenomenaPhysics and Astronomy被引用 3

一句话总结

本文利用IceCube的DeepCore探测器，采用卷积神经网络（CNNs）对大气μ子中微子振荡进行了新的测量，实现了对中微子混合角 $\theta_{23}$ 和质量劈裂 $\triangle m_{32}^2$ 的精确约束。结果与全球世界测量一致，且得益于先进的机器学习技术，灵敏度得到提升。

ABSTRACT

The IceCube South Pole Neutrino Observatory is a Cherenkov detector instrumented in a cubic kilometer of ice at the South Pole. IceCube's primary scientific goal is the detection of TeV neutrino emissions from astrophysical sources. At the lower center of the IceCube array, there is a subdetector called DeepCore, which has a denser configuration that makes it possible to lower the energy threshold of IceCube and observe GeV-scale neutrinos, opening the window to atmospheric neutrino oscillations studies. Advances in physics sensitivity have recently been achieved by employing Convolutional Neural Networks to reconstruct neutrino interactions in the DeepCore detector. In this contribution, the recent IceCube result from the atmospheric muon neutrino disappearance analysis using the CNN-reconstructed neutrino sample is presented and compared to the existing worldwide measurements.

研究动机与目标

• 利用宇宙射线在地球大气层中相互作用产生的中微子，测量大气中微子混合角 $\theta_{23}$ 和质量劈裂 $\triangle m_{32}^2$。
• 通过在中微子重建中应用深度学习技术，提升对中微子振荡参数的灵敏度。
• 利用DeepCore子探测器增强的低能响应能力，探测GeV量级中微子，并研究长基线下的振荡模式。
• 通过将类似背景的中微子候选事例纳入校准和模拟框架，减少系统不确定性。
• 将新的CNN重建结果与现有全球测量进行比较，验证该方法的精度与鲁棒性。

提出的方法

• 采用卷积神经网络（CNNs）对IceCube探测器中光电倍增管的数字化波形进行处理，以重建中微子相互作用。
• 利用DeepCore子探测器中密集排列的数字光学模块（DOMs），探测中微子相互作用产生的相对论性带电粒子所发出的切伦科夫光。
• 使用在模拟数据和真实数据上训练的CNN，重建中微子能量 $E$ 和相互作用顶点，显著提升了100 GeV以下能量区间的能量和角度分辨率。
• 应用两味振荡公式 $P(\nu_\nu \to \nu_\nu) \triangleq 1 - \text{sin}^2(2\theta_{23}) \text{sin}^2(1.27 \triangle m_{32}^2 L / E)$ 来建模 $\nu_\nu$ 消失概率。
• 采用 $\text{cos}(\theta_{\text{zenith}}) \lesssim 0$（穿行事例）的中微子事例，以最大化对振荡参数的灵敏度。
• 使用与先前结果相同的框架对探测器进行校准和模拟，同时引入基于机器学习的重建方法，以优化事例选择和背景建模。

Figure 1: Distribution of $\nu_{\mu}$ survival probability with color representing the value of probability at given values of $\cos(\theta_{\rm{zenith}})$ and E with oscillation parameters from the previous result [ 9 ] .

实验结果

研究问题

• RQ1 在DeepCore中，利用CNN重建的中微子事例，对 $\theta_{23}$ 和 $\triangle m_{32}^2$ 的约束有何改进？
• RQ2 与传统方法相比，卷积神经网络的应用在低能中微子相互作用重建方面有何提升？
• RQ3 新结果与全球世界平均测量的中微子振荡参数在多大程度上一致？
• RQ4 在5–100 GeV能量范围内，使用深度学习进行中微事件重建带来了多大的灵敏度增益？
• RQ5 类似背景的中微子候选事例在减少振荡参数提取中的系统不确定性方面起到了什么作用？

主要发现

• 通过使用卷积神经网络，对GeV量级中微子的重建精度得到提升，实现了更好的能量和角度分辨率。
• 测得的 $\triangle m_{32}^2$ 值与全球世界平均值一致，且由于更优的事例选择和校准，不确定性减小。
• 混合角 $\theta_{23}$ 被高精度测量，未显示显著偏离最大混合，与先前的全球拟合结果一致。
• 对振荡参数的灵敏度在穿越地球的中微子（长基线，$L \sim 1.3 \times 10^4$ km）且能量在5至100 GeV之间时最强。
• 基于CNN的重建方法通过更精确地建模探测器响应并更好地区分信号与背景类似事例，降低了系统不确定性。
• 结果与现有全球测量高度一致，验证了深度学习在高能中微子物理中的应用价值。

Figure 2: IceCube neutrino observatory’s main in-ice array and DeepCore sub-detector (left) and surface layout of strings (right) where red-filled DeepCore strings and orange-circled IceCube main strings are used in the CNN reconstruction.