基于后验密度估计的机器学习信息化 3+1 静电中和子全球拟合
高能物理 - 唯象学
2025-12-08 v1
摘要
粒子物理数据全球分析是验证和审查实验 Published 结果的关键环节。寻找一个或多个电子尺度静电中和子的异常振荡数据全球拟合尤其具有挑战性，既在评估上又在全球视角下难以调和。尤其是对振荡数据进行拟合（尤其是联合拟合）会遭遇巨大的计算负担，如似然不可解，这使得传统的马尔可夫链蒙特卡罗方法几乎不可能。鉴于来自不同基线、能量和探测技术的 neutrino 实验中都有既支持又挑战标准模型之外物理学的证据，静电中和子的全球搜索需要额外的工具来确定静电中和子是否仍是解释未解释异常的可行解决方案。此外，对静电中和子数据需要贝叶斯和频率学派解释，以完整评估该领域长期存在的紧张关系。来自机器学习子领域 simulation-based inference 的技术对此类问题具有天然的应用。在本文中，我们通过聚焦于搜索电子（反）中和子消失的实验，来阐述轻型静电中和子全球图景中的一些亟待解决的问题，并致力于构建后验密度估计策略以给出答案，包括与机器学习基于频率学派方法的比较。
引用
@article{arxiv.2512.05784,
title = {Machine Learning-Informed 3+1 Sterile Neutrino Global Fits using Posterior Density Estimation of Electron Disappearance Data},
author = {Joshua Villarreal and Julia Woodward and John Hardin and Janet Conrad},
journal= {arXiv preprint arXiv:2512.05784},
year = {2025}
}
备注
Substantially expanded and revised article-version of conference whitepaper arXiv:2501.08988