Ricostruzione dell'energia nell'esperimento JUNO con tecniche di Machine Learning.

The Jiangmen Underground Neutrino Observatory (JUNO) is a neutrino observatory currently under construction in South China. The JUNO central detector is a 35.4 m diameter sphere filled with 20 kt of liquid scintillator (LS). Thanks to an unprecedented effective energy resolution, JUNO is expected to determine the neutrino mass hierarchy, one of the still open questions in neutrino physics. The interactions of rector anti-neutrinos in the detector happen via the so-called inverse beta decay (IBD), where an anti-neutrino interacts with a proton producing a positron and a neutron in the final state. The positron deposits its energy in the LS and annihilates into two gammas. The scintillation light produced after energy deposition is collected by photomultipliers (PMTs) and used for energy reconstruction of the neutrino interactions. Because of its ability to automatically learn complex non-linear dependencies, Machine Learning (ML) represents a valid alternative to traditional energy reconstruction algorithms. In this work, based on recently published papers, 162 features are engineered from the information provided by individual PMTs to train three different ML models: boosted decision trees (BDT), a fully connected deep neural network (FCDNN) and a 1-dimensional convolutional neural network (1DCNN). All models satisfy the requirement on the effective energy resolution to determine the neutrino mass ordering, and FCDNN results in the best combination of performance and stability. In addition, possible future improvements to the 1DCNN architecture are outlined, based on its promising preliminary results.

Il Jiangmen Underground Neutrino Observatory (JUNO) è un osservatorio di neutrini attualmente in costruzione nel Sud della Cina. Il detector centrale di JUNO è una sfera da 35.4 m di diametro riempita con 20 kt di scintillatore liquido. Grazie a una risoluzione energetica efficace senza precedenti ci si aspetta che JUNO determini la gerarchia di massa dei neutrini, una delle domande ancora aperte nella fisica dei neutrini. L'interazione degli anti-neutrini da reattore all'interno del detector avviene tramite decadimento beta inverso (IBD), dove un anti-neutrino interagisce con un protone producendo un neutrone e un positrone. Il positrone deposita la sua energia nello scintillatore liquido e annichilisce in due gamma. La luce di scintillazione prodotta in seguito al deposito di energia viene raccolta da fotomoltiplicatori (PMTs) e utilizzata per la ricostruzione energetica delle interazioni di neutrini. Per via della sua abilità di apprendere automaticamente dipendenze non-lineari complesse, il Machine Learning (ML) rappresenta una valida alternativa a algoritmi tradizionali per la ricostruzione dell'energia. In questo lavoro, basato su pubblicazioni recenti, 162 features vengono ingegnerizzate a partire dall'informazione fornita dai singoli PMTs con lo scopo di addestrare tre diversi modelli di ML: alberi di decisione (BDT), una rete neurale completamente connessa (FCDNN) e una rete neurale convoluzionale unidimensionale (1DCNN). Tutti i modelli soddisfano il requisito sulla risoluzione energetica efficace per determinare l'ordinamento di massa dei neutrini, e FCDNN fornisce la migliore combinazione di performance e stabilità. Vengono in aggiunta proposti suggerimenti su possibili futuri miglioramenti dell'architettura 1DCNN, a partire da risultati preliminari promettenti.