基于机器学习探测核心坍缩超新星中的非轴对称快中微子味不稳定性

在核心坍缩超新星 (CCSNe) 和中子星并合 (NSMs) 等稠密中微子环境中，当中微子电子轻子数 ($\nu$ELN) 的角分布沿某些方向过零时，中微子可能发生快味转换 (FFC)。虽然先前的研究已证实了在这些极端环境中轴对称 $\nu$ELN 过零点的探测，但非轴对称过零点仍然难以捉摸，这主要是由于缺乏其角分布模型。在本研究中，我们利用机器学习 (ML) 技术，对非轴对称 $\nu$ELN 过零点的探测进行了开创性分析。我们的 ML 模型是在两个 CCSN 模拟数据上训练的，其中一个包含旋转，另一个不包含旋转，其中中微子角分布的非轴对称特征起着至关重要的作用。我们证明，我们的 ML 模型实现了超过 90\% 的探测准确率。这是一个重要的改进，特别是考虑到这些模型中很大一部分 $\nu$ELN 过零点曾被早期方法所遗漏。