Esplorando tecniche di Machine Learning per la ricostruzione di eventi con lenti nel bersaglio di argon liquido di SAND dell'esperimento di neutrini DUNE

Abstract

I neutrini sono le particelle massive più abbondanti nell’Universo e il loro studio ha rivelato numerosi fenomeni interessanti. Tra questi, le oscillazioni di sapore forniscono una prova fondamentale di fisica oltre il Modello Standard, dimostrando che i neutrini sono particelle leggere ma dotate di massa. Nel programma sperimentale volto a comprendere la natura dei neutrini e la loro gerarchia di massa, il Deep Underground Neutrino Experiment (DUNE) svolgerà un ruolo centrale. DUNE è un esperimento di nuova generazione a lunga baseline, che utilizza un fascio di neutrini ad alta intensità prodotto presso il Fermi National Accelerator Laboratory e diretto verso un rivelatore sotterraneo a base di argon liquido presso il Sanford Underground Research Facility. Il confronto tra gli eventi misurati nei siti vicino e lontano consentirà misure di precisione della fase responsabile della violazione di CP nel settore leptonico e della gerarchia di massa. Ciò grazie all'effetto materia che rompe la degenerazione tra i due effetti. Il sito vicino comprende tre detector. Uno di essi, System for on-Axis Neutrino Detection è il principale controllo del fascio e consiste in un detector magnetizzato con un tracciatore ad alta precisione, un calorimetro elettromagnetico e un criostato da una tonnellata di argon liquido, equipaggiato con rivelatori di luce e sistemi ottici innovativi. GRanular Argon for Interactions of Neutrinos (GRAIN) misurerà inoltre l’energia totale rilasciata nel mezzo e fornirà un riferimento temporale per ogni evento. Come sistema ottico sono studiate due tecnologie: maschere perforate e lenti. Siccome un prototipo del sistema ottico basato sulle lenti è già stato caratterizzato e una versione preliminare della ricostruzione basata integralmente su metodi tradizionali è già stata implementata, questa tesi si pone l'obiettivo di studiare tecniche di machine learning per la ricostruzione spaziale in GRAIN.

Neutrinos are the most abundant known massive particles in the Universe, and their study has brought to light a range of interesting phenomena. Among these, neutrino flavour oscillations provide key evidence of physics beyond the Standard Model, demonstrating that neutrinos are light, yet massive particles. Within the experimental program dedicated to understanding neutrino nature and mass ordering, the Deep Underground Neutrino Experiment (DUNE) will play a central role. DUNE is a next-generation long-baseline experiment employing a high-intensity neutrino beam produced at Fermi National Accelerator Laboratory and directed to a liquid-argon-based underground detector at Sanford Underground Research Facility. Comparing neutrino events measured at near and far sites will allow precision measurements of the CP-violating phase in the lepton sector and neutrino mass ordering, thanks to the matter effect. The near detector complex is essential, providing precise measurements of the un-oscillated neutrino flux and constraining systematic uncertainties. It comprises three detectors. System for on-Axis Neutrino Detection serves as the primary beam monitor and features a magnetised detector with a high-resolution tracker, electromagnetic calorimeter, and a one-tonne liquid-argon cryostat instrumented with photodetectors and innovative imaging devices. GRanular Argon for Interactions of Neutrinos (GRAIN) will also measure the total energy released in the medium and provide a time reference for each event. Two technologies are explored for GRAIN’s imaging element: coded aperture masks and lenses. While a first prototype of a lens-based optical detector has been tested and characterised, and a preliminary version of the software for the event reconstruction with traditional methods exists, the aim of this thesis is to explore the application of Machine Learning techniques to the spatial reconstruction of particle interactions in GRAIN.