利用深度学习技术在 MicroBooNE 中以 >3$\sigma$ 灵敏度搜寻 MiniBooNE 低能超出
数据分析、统计与概率
2020-10-29 v1 高能物理 - 实验
摘要
本论文描述了为 MicroBooNE 实验开发的一项分析，用于研究 MiniBooNE 探测器中观测到的电子样事例的异常超出。此处研究的假设是 MiniBooNE 反常代表了电子中微子的出现。利用新颖深度学习与标准算法技术的结合，该分析重建并识别了高纯度的带电流准弹性缪子中微子和电子中微子相互作用样本。本论文描述了分析链中的各个步骤，并给出每一步的数据与模拟对比以建立对最终预测的置信度。当在 出现类模型的语境下解释时，该分析预测使用 个打靶质子对应的 MicroBooNE 数据，具有 3.2 灵敏度来排除表现为 MiniBooNE 类反常的标准模型涨落。
引用
@article{arxiv.2010.14505,
title = {Using Deep Learning Techniques to Search for the MiniBooNE Low Energy Excess in MicroBooNE with > 3$\sigma$ Sensitivity},
author = {Jarrett Moon},
journal= {arXiv preprint arXiv:2010.14505},
year = {2020}
}
备注
MIT doctoral thesis