Machine learning application in low energy liquid scintillator neutrino experiment

Xu, Yu; Stahl, Achim; Ludhová, Livia

doi:10.18154/RWTH-2020-12064

Machine learning application in low energy liquid scintillator neutrino experiment

Xu, Yu^RWTH*

2020 & 2021

Verantwortlichkeitsangabevorgelegt von Yu Xu

ImpressumAachen 2020

Umfang1 Online-Ressource (ii, xv, 153 Seiten) : Illustrationen, Diagramme

Dissertation, RWTH Aachen University, 2020

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2021

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Ludhová, Livia (Thesis advisor)^RWTH* ; Stahl, Achim (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2020-11-30

Online
DOI: 10.18154/RWTH-2020-12064
URL: https://publications.rwth-aachen.de/record/808442/files/808442.pdf

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
liquid scintillator (frei) ; machine learning (frei) ; neutrino (frei) ; reconstruction (frei)

Thematische Einordnung (Klassifikation)
DDC: 530

Kurzfassung
Neutrinos sind die Schlüssel für die Physik jenseits des Standardmodells, da die Neutrinoschwingung das direkt beobachtete neue physikalische Phänomen ist. Wir verwenden die PMNS-Matrix, um dieses Phänomen zu beschreiben. In der Matrix gibt es sechs freie Parameter: drei Mischwinkel $\theta_{12}$, $\theta_{23}$, $\theta_{13}$; zwei Unterschiede der quadratischen Neutrinomassen $\Delta m^2_{21}$, $\Delta m^2_{32}$; und CP-Verletzungswinkel $\delta_{CP}$. Heutzutage gibt es eineinhalb unbekannte Parameter: Vorzeichen von $\Delta m^2_{32}$ and $\delta_{CP}$. Das Experiment des Jiangmen Underground Neutrino Observatory (JUNO) wurde entwickelt, um das Vorzeichen von $\Delta m^2_{32}$ zu messen. Mit 6-Jahres-Daten wollen wir ein Konfidenzniveau von 3 $\sigma$ erreichen. Erreichen Zu diesem Zweck konstruieren wir einen 20-kt-Flüssigszintillator (LS) -Detektor zur Messung des Energiespektrums von$\bar{\nu}_e$ aus dem Kernkraftwerk Yangjiang und Taishan (NPP). Maschinelles Lernen (ML) wird in der Datenanalyse immer beliebter. Es kann den Rekonstruktionsprozess mit schnellerer Geschwindigkeit und besserer Leistung vereinfachen. In dieser Arbeit werde ich die Anwendung der ML-Anwendung im JUNO-Experiment diskutieren, einschlie$\beta$lich Waveform rekonstruktion, Partikelidentifikation und Vertex/Energie-Rekonstruktion. Die Waveform rekonstruktion ist die Basis für andere Rekonstruktionen. In dieser Arbeit zeige ich das Potenzial von ML für die Waveform rekonstruktion: Zeitrekonstruktion jedes einzelnen Treers, was mit herkömmlichen Methoden unmöglich ist. Die Partikelidentifikation (PID) kann das Hintergrund/Signal (B/S) -Verhältnis verringern und die Empfindlichkeit des Experiments verbessern. In dieser Arbeit untersuchen wir das Potenzial der Partikelidentifikation (PID) mit der Methode des maschinellen Lernens. Wir können 95\% Signal mit 5\% Hintergrund für Alpha/Beta Diskriminierung und 50\% Signal mit 5\% Hintergrund für Elektronen/Positron Diskriminierung erreichen. Wir führen auch eine Untersuchung zur Vertex- und Energierekonstruktion mit der Methode des maschinellen Lernens durch und stellen fest, dass wir die Anforderung einer Energieauflösung von 3\% erfüllen können.

Neutrinos are the keys for physics beyond the Standard Model, since neutrino oscillationis the directly observed new physics phenomena. We use PMNS matrix to describe this phenomena. In the matrix, there are six free parameters: three mixing angles $\theta_{12}$, $\theta_{23}$, $\theta_{13}$; two difference of the squared neutrino masses $\Delta m^2_{21}$, $\Delta m^2_{32}$; and CP violation angle $\delta_{CP}$. Nowadays, there are one and half unknown parameters: sign of $\Delta m^2_{32}$ and $\delta_{CP}$.The Jiangmen Underground Neutrino Observatory (JUNO) Experiment was designed to measure the sign of $\Delta m^2_{32}$, and we aim to achieve 3 $\sigma$ confidence level with 6 years data. To achieve this goal, we construct a 20 kt liquid scintillator (LS) detector to measure the $\bar{\nu}_e$ energy spectrum from Yangjiang and Taishan Nuclear Power Plant(NPP). Machine Learning (ML) is becoming more and more popular in data analysis. It can simplify the process of reconstruction with faster speed and better performance. In this thesis I will discuss the application of ML application in JUNO experiment, including waveform reconstruction, particle identification, and vertex/energy reconstruction. Waveform reconstruction is the base for other reconstructions. In this thesis, I show the potential of ML on waveform reconstruction: time reconstruction of each single hit, which is impossible with traditional method. Particle identification (PID) can reduce background/signal (B/S) ratio and improve the sensitivity of the experiment. In this thesis, we study the potential of particle identification (PID) with machine learning method. We can receive 95\% signal with 5\% background for alpha/beta discrimination, and 50\% signal with 5\% background for electron/positron discrimination. We also perform a research on vertex and energy reconstruction with machine learning method, and find that we can meet the requirement of 3\% energy resolution.

OpenAccess:
PDF
(additional files)