利用机器学习探测快中子味转换

在核坍缩超新星（CCSNe）和中子星并合（NSMs）等致密环境中的中微子，一旦中微子轻子数的角分布沿某一方向穿过零，便会发生快味转换（FFCs）。近期进展已证明机器学习（ML）在探测这些穿越方面的有效性。本研究中，我们以两种重要方式增强先前研究。首先，我们利用来自 CCSN 模拟的真实数据，其中中微子输运由完整玻尔兹曼方程求解。我们评估了 ML 方法在真实场景中的适应性，增强了其鲁棒性。特别地，我们证明在处理人工数据时，较简单模型优于其更复杂对应物，这是 ML 背景下偏差-方差权衡的一个值得注意的例证。我们还探索了改进用于 ML 训练的人工数据集的方法。此外，我们将 ML 技术扩展至探测重轻子通道中的穿越，以适应 $\nu_x$ 与 $\bar\nu_x$ 可能不同的情况。我们的研究凸显了 ML 技术广泛的通用性与有效性，为评估 CCSN 和 NSM 模拟中 FFCs 的发生提供了前所未有的机会。