論文の概要: Improving Neutrino Oscillation Measurements through Event Classification

• arxiv url: http://arxiv.org/abs/2511.11938v1
• Date: Fri, 14 Nov 2025 23:26:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.409032
• Title: Improving Neutrino Oscillation Measurements through Event Classification
• Title（参考訳）: 事象分類によるニュートリノ振動測定の改善
• Authors: Sebastian A. R. Ellis, Daniel C. Hackett, Shirley Weishi Li, Pedro A. N. Machado, Karla Tame-Narvaez,
• Abstract要約: イベントをその基盤となるインタラクションタイプに応じて分類することで、この構造を組み込む戦略を導入する。 準弾性散乱, 中間子交換電流, 共鳴生成, 深部非弾性散乱過程の内在的差異を利用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precise neutrino energy reconstruction is essential for next-generation long-baseline oscillation experiments, yet current methods remain limited by large uncertainties in neutrino-nucleus interaction modeling. Even so, it is well established that different interaction channels produce systematically varying amounts of missing energy and therefore yield different reconstruction performance--information that standard calorimetric approaches do not exploit. We introduce a strategy that incorporates this structure by classifying events according to their underlying interaction type prior to energy reconstruction. Using supervised machine-learning techniques trained on labeled generator events, we leverage intrinsic kinematic differences among quasi-elastic scattering, meson-exchange current, resonance production, and deep-inelastic scattering processes. A cross-generator testing framework demonstrates that this classification approach is robust to microphysics mismodeling and, when applied to a simulated DUNE $ν_μ$ disappearance analysis, yields improved accuracy and sensitivity. These results highlight a practical path toward reducing reconstruction-driven systematics in future oscillation measurements.
• Abstract（参考訳）: 次世代の長周期振動実験には精密ニュートリノエネルギー再構成が不可欠であるが、現在の手法はニュートリノ-核相互作用モデリングにおける大きな不確実性によって制限されている。 それでも、異なる相互作用チャネルは、体系的に異なる量の不足エネルギーを生成し、そのため、標準的なカロリー測定アプローチでは利用できない、異なる再構成性能をもたらすことが明確に確立されている。 我々は、エネルギー再構成に先立って、その基礎となる相互作用タイプに応じてイベントを分類することで、この構造を組み込む戦略を導入する。 ラベル付きジェネレータイベントを学習した教師あり機械学習技術を用いて,準弾性散乱,中間子交換電流,共鳴生成,深部非弾性散乱過程の内在的運動性差を利用する。 クロスジェネレータテストフレームワークは、この分類手法がマイクロフィジカルな誤モデリングに対して堅牢であることを示し、シミュレーションされたDUNE $ν_μ$消光分析に適用すると、精度と感度が向上することを示した。 これらの結果から, 将来の振動測定において, 再建誘導方式の低減に向けた実践的な道筋が浮かび上がっている。

関連論文リスト

• VIKING: Deep variational inference with stochastic projections [48.946143517489496]
  変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。 パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。 これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
  論文  参考訳（メタデータ） (2025-10-27T15:38:35Z)
• Generative System Dynamics in Recurrent Neural Networks [56.958984970518564]
  リカレントニューラルネットワーク(RNN)の連続時間ダイナミクスについて検討する。 線形および非線形構成の両方において安定な極限サイクルを実現するためには,スキュー対称性の重み行列が基本であることを示す。 数値シミュレーションは、非線形活性化関数が極限周期を維持するだけでなく、システム統合プロセスの数値安定性を高めることを示す。
  論文  参考訳（メタデータ） (2025-04-16T10:39:43Z)
• Linear Noise Approximation Assisted Bayesian Inference on Mechanistic Model of Partially Observed Stochastic Reaction Network [2.325005809983534]
  本稿では、部分的に観察された酵素反応ネットワーク(SRN)に対する効率的なベイズ推論手法を開発する。 線形雑音近似(LNA)メタモデルを提案する。 マルコフ・チェイン・モンテカルロの収束を高速化するために、導出確率の勾配を利用して効率的な後方サンプリング手法を開発した。
  論文  参考訳（メタデータ） (2024-05-05T01:54:21Z)
• End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
  本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。 我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
  論文  参考訳（メタデータ） (2023-05-17T17:43:10Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Trapped-Ion Quantum Simulation of Collective Neutrino Oscillations [55.41644538483948]
  量子計算を用いて,Nニュートリノ系のコヒーレントな集団振動を2成分近似でシミュレートする手法について検討した。 第2次トロッタースズキ公式を用いたゲート複雑性は,量子信号処理などの他の分解方法よりも,システムサイズに優れることがわかった。
  論文  参考訳（メタデータ） (2022-07-07T09:39:40Z)
• Efficient hierarchical Bayesian inference for spatio-temporal regression models in neuroimaging [6.512092052306553]
  例えば、M/EEG逆問題、タスクベースのfMRI分析のためのニューラルネットワークの符号化、温度モニタリングスキームなどがある。 モデルパラメータとノイズの内在的時間的ダイナミクスをモデル化した,新しい階層型フレキシブルベイズフレームワークを考案する。
  論文  参考訳（メタデータ） (2021-11-02T15:50:01Z)
• Non-Hermitian chiral phononics through optomechanically-induced squeezing [0.0]
  我々は、時間反転対称性の制御された破れと非エルミート力学を結合して形成される独自の音韻状態について報告する。 メカニカル共振器の合成次元におけるキラルエネルギーの流れとアハロノフ・ボームのハイブリッドモードのチューニングを観察する。 この豊富な新しい現象学は、新しい非エルミート的トポロジカルボソニック相の探索方法と、センシングと輸送への応用を指している。
  論文  参考訳（メタデータ） (2021-10-27T18:55:11Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)
• Dissipative Rabi model in the dispersive regime [0.0]
  本稿では, 発散ラビモデルの分散状態について, 基礎となるハミルトニアンの回転波近似を取らずに検討する。 結果は、以前の理論では存在せず、新しい種類の駆動誘起量子ビットの散逸と減退を予測した。
  論文  参考訳（メタデータ） (2020-04-06T09:45:24Z)
• Geometric deep learning for computational mechanics Part I: Anisotropic Hyperelasticity [1.8606313462183062]
  本稿では, 幾何学的深層学習を用いた最初の試みであり, ソボレフトレーニングには非ユークリッドマイクロ構造データが含まれており, 異方性超構造体機械学習モデルを有限変形範囲でトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-01-08T02:07:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。