Poszukiwanie neutrin taonowych w wiÄ…zce CNGS

1. Poszukiwanie neutrin taonowych w wiązce CNGS Paweł Przewłocki Seminarium doktoranckie IPJ, 17.05.2005.

2. Moje poprzednie seminarium...

3. Tym razem... • Neutrina z wiązki (odpowiednio przygotowanej), nie atmosferyczne • Droga oscylacji stała, równa 730km • Argonowy detektor typu TPC, a nie wodny detektor czerenkowowski (możemy dosłownie zobaczyć interakcje)

4. Plan prezentacji • Trochę o oscylacjach neutrin • „Układ eksperymentalny” czyli wiązka CNGS i eksperyment ICARUS • Oddziaływania neutrin w argonie • Jak wybierać przypadki taonowe? • Analizy standardowe • Nasza analiza z użyciem sieci neuronowych

5. Oscylacje neutrin • Jeśli neutrina mają masę, możliwa jest zmiana zapachu neutrin. • Przyjmujemy, że stany własne zapachu są pewną kombinacją stanów własnych masy: • Stany własne masy propagują się z różną prędkościąn1(t)=n1(0)exp(-iE1t)n2(t)=n2(0)exp(-iE2t)

6. Oscylacje neutrin - stan obecny Eksperymenty słoneczne i reaktorowe:SK, SNO, Kamland 0.00005<Δ m2sol <0.00008 eV2, 0.73<sin22θsol<0.97 Eksperymenty „atmosferyczne”SK, K2K 0.0019<Δm2atm <0.003 eV2, sin22θatm>0.89

7. Oscylacje – 3 zapachy Zakładając Δ m2sol << Δ m2atm , Δ m213 = Δ m223 = Δ m2atm, Δ m212 = Δ m2sol , δ=0 mamy dwa przypadki: • „atmosferyczny” – małe L/E • „słoneczny” – duże L/E Gdy θ13=0 (a jest na pewno małe), to…wzory redukują się do 2-zapachowych!

8. Układ eksperymentalny, czyli jak to wszystko wygląda

9. Produkcja wiązki w CERNie

10. Produkcja wiązki w CERNie

11. Produkcja wiązki w CERNie • Przyspieszone protony (400GeV) rozpraszają się na grafitowej tarczy • Powstałe w wyniku rozpraszania dodatnie piony i kaony są ogniskowane w odpowiednim kierunku za pomocą rożków magnetycznych (cząstki ujemne są eliminowane z wiązki) • Cząstki rozpadają się w rurze rozpadowej, głównie na neutrina i miony: • Własności wiązki kontrolują monitory mionowe (ulokowane za grafitowo-betonową blokadą hadronową). Neutrina mionowe: Neutrina elektronowe:

12. Wiązka oryginalna produkty oscylacji Dla pięciu lat pracy detektora i Δm2=2.5*10-3eV2

13. Detektory są w Gran Sasso:

14. Dwa eksperymenty: Opera i Icarus

15. Icarus

16. Icarus: jeden moduł od środka • Detektor typu TPC (Time Projection Chamber) • Każdy moduł to metalowe pudełko, napełnione ciekłym argonem (LAr). Moduł przedzielony jest w środku katodą • Wzdłuż bocznych ścianek umieszczone są trzy płaszczyzny drutów, zbierających sygnały z detektora • Cząstki naładowane, przechodząc przez materiał detektora jonizują go; pod wpływem pola elektrycznego, elektrony jonizacji wędrują w stronę drutów, które je rejestrują. • Każda płaszczyzna drutów, w połączeniu z mierzonym czasem dryfu, daje nam dwuwymiarowy obraz zdarzeń w detektorze

17. Icarus: zasada działania

18. Wyjściowe dane z detektora Poniżej widać mały fragment obrazka wygenerowanego przez jedną z płaszczyzn. Widać na nim rozpadające się pi zero. Oczywiście każdy przypadek to trzy takie widoki, z których dopiero procedury rekonstrukcji są w stanie złożyć obraz trójwymiarowy. czas sygnały z kolejnych drutów

19. Rekonstrukcja • Wszystkie informacje zawarte są na trzech dwuwymiarowych projekcjach • Rekonstruujemy: energię, kierunek toru lotu bardziej energetycznych cząstek, rodzaj cząstki • Rekonstrukcja energii na podstawie zdeponowanego ładunku na płaszczyźnie collection • Tory – kombinatoryczna rekonstrukcja 3D punktów torów • Typ cząstki – na podstawie strat energii zależnie od długości toru – dE/dx

20. Oddziaływania neutrin w argonie n n n l NC CC N N’ N N’ n t tau CC N N’

21. Neutrina w detektorze • W typowym przypadku neutrino mionowe rozprasza się na jądrze argonu i produkuje mion, piony i wybite z jądra protony • Neutrino taonowe zamiast mionu powoduje powstanie taonu, który rozpada się na mion/elektron/piony • Topologia przypadków jest inna

22. Prosta selekcja wykorzystująca pojedyncze zmienne • Możemy selekcjonować przypadki taonowe na podstawie różnic w rozkładach różnych zmiennych • Najlepiej nadają się do tego przypadki z elektronem (tzw. „golden channel”) • Przypadki z elektronem daje około 17% oddziaływań neutrin taonowych • Tło pochodzi tylko od oddziaływań neutrin elektronowych, których w wiązcejest bardzo mało • Mamy bardzokorzystnystosunek sygnału do tła

23. Prosta selekcja wykorzystująca pojedyncze zmienne

24. Sieci neuronowe Neuron x1 x2 ... xn w1 w2 fakt(S ) S output wn wn+1 (inputs) 1.0 Sieć S S S S S S

25. Sieci neuronowe - uczenie • Dzielimy dane wejściowe na dwa zbiory: uczący i testowy • Zbiorem uczącym „karmimy” sieć, dla każdego przypadku „mówiąc” jej, czy jest to przypadek tła czy sygnału • Porównujemy wartość zwracaną przez sieć na wyjściu (jest to wyjście jedynego neuronu w warstwie wyjściowej) z wartością pożądaną (np. 0 dla tła, 1 dla sygnału) • Liczymy błąd na wyjściu i propagujemy wstecz błędy, jednocześnie takmodyfikując wagi neuronów we wszystkich warstwach, aby zmniejszyć możliwie najwięcej błąd na wyjściu. • Proces uczenia kończymy gdy: • Błąd na wyjściu zmniejszy się do pewnej zadanej z góry wartości, albo • (lepiej) błąd w zbiorze testowym zacznie się systematycznie zwiększać (dalsze kontynuowanie nauki prowadzi wtedy do „przeuczenia” sieci – sieć uczy się na pamięć zbioru uczącego) • Nauczona (np. danymi symulacyjnymi) sieć ma zakodowany w sobie algorytm selekcji i jest gotowa do używania jej na prawdziwych danych z eksperymentu.

26. Nasza analiza • Podział na klasy ze względu na typ występującego leptonu • Klasa z jednym elektronem (1E) • Klasa z jednym mionem (1M) • Klasa bezleptonowa (OL) • Analizy dla klasy 1E były już robione. My chcemy dodać coś nowego – zobaczyć czy dobre efekty można uzyskać w pozostałych klasach.

27. Zmienne wykorzystane w analizie • Zakładamy idealny detektor i rekonstrukcję następujących cząstek: • Mionów • Elektronów, • Pionów naładowanych(o pędzie > 50 MeV) • Gamm z rozpadów pizer • Kaonów • Protonów (o pędzie > 250 MeV)

28. Przykładowe rozkłady Dlaczego podział na klasy? Pscal[MeV] Pscal[MeV] Charakter rozkładów dla sygnału i tła jest drastycznie różny w różnych klasach

29. Odpowiedź sieci Implementacja sieci - program NetMaker – Robert Sulej Aby uzyskać wynik, należy postawić granicę dla wybranej wartości odpowiedzi sieci.

30. Wynik selekcji Wyniki dla pięciu lat pracy detektora, przy założeniu trzech poziomów purity.

31. Podsumowanie • W kanale 1E wyniki podobne jak w innej analizie z użyciem sieci neuronowych • Nasz wkład – selekcja w klasie 0L (klasa 1M raczej bezużyteczna) • Warto by w szerszy sposób uwzględnić efekty detektorowe