机器学习驱动的中微子-核散射截面建模：从数据学习到振荡分析

1. 项目概述与核心价值

中微子物理正步入一个前所未有的“精密测量”时代。像DUNE（深地下中微子实验）这样的下一代长基线实验，目标是将中微子混合参数的测量精度推至百分之一量级。然而，一个长期存在的“拦路虎”限制了这一目标的实现：中微子与原子核散射截面的理论建模不确定性。在GeV能区，核子内部复杂的强相互作用使得从第一性原理出发精确计算截面变得极其困难。传统方法严重依赖基于量子色动力学（QCD）和手征有效场论（EFT）的事件生成器模型，并通过近探测器（ND）数据进行“调参”。但这种方法本质上受限于预设物理模型的正确性，模型偏差可能通过不真实的参数调整被吸收，最终将系统误差带入远探测器（FD）的振荡分析中。

我们探索了一种全新的思路：用机器学习，特别是神经网络，直接从近探测器数据中“学习”出一个数据驱动的中微子-核散射截面模型。这并非要取代传统物理，而是作为一种强有力的补充。其核心价值在于“去模型化”：我们仅依赖标准模型对称性所导出的结构函数参数化形式，让神经网络去拟合这些结构函数，从而构建一个非参数化的截面表示。这样一来，模型偏差被最小化，近探测器海量数据的统计威力得以被最大化利用。我们的原理性验证表明，使用这种机器学习模型进行振荡分析，其结果可以无限逼近于“已知完美截面”这一理论极限的精度。这对于旨在发现CP破坏、精确测量质量顺序和混合角的中微子物理前沿而言，意味着我们有可能剥离掉一大块关键的系统误差，让数据自己更清晰地“说话”。

2. 核心物理原理与机器学习框架设计

2.1 中微子-核散射截面的结构函数参数化

要理解机器学习如何介入，首先得抓住问题的物理核心。带电流相互作用下，中微子与原子核的双微分截面可以写为：

d²σ / (dEℓ d cosθ) = [常数因子] * [∑ 结构函数 Wi(x, Q²) * 运动学系数]

其中，Eℓ和cosθ分别是出射轻子（如μ子）的能量和散射角余弦，Eν是入射中微子能量。这个公式看似复杂，但其美妙之处在于，所有复杂的核结构信息都被封装在了五个结构函数Wi(x, Q²)中。这里x（比约肯标度变量）和Q²（四动量转移平方）是描述深度非弹性散射的两个基本运动学变量。

关键洞察：截面原本是三个变量(Eν, Eℓ, cosθ)的函数。直接从近探测器测得的二维分布(Eℓ, cosθ)去反推三维函数，是一个“病态”问题，有无穷多解。但结构函数Wi只依赖于(x, Q²)这两个变量。只要近、远探测器的(x, Q²)分布有足够大的重叠区域（对于DUNE，这正是实际情况），我们就可以用近探测器数据“学会”结构函数，然后将其应用到远探测器能谱（经过振荡调制）的计算中。这是整个方法得以成立的物理基石。

在我们的玩具模型中，针对μ子中微子带电流过程，五个结构函数可以简化为三个组合：W2,Wc,Wy。神经网络的任务，就是学习这三个作为(x, Q²)函数的量。

2.2 神经网络模型架构与训练策略

我们采用了一个相对简洁但高效的多层感知机（MLP）架构来参数化结构函数。

• 输入层：2个节点，对应x和Q²。
• 隐藏层：4层，每层64个神经元，使用LeakyReLU激活函数。这个深度和宽度足以捕捉结构函数可能具有的复杂非线性特征，同时避免过拟合。
• 输出层：3个节点，直接输出W2,Wc,Wy的值。

为什么选择MLP和LeakyReLU？MLP是拟合高维非线性函数的通用近似器，足够完成本任务。LeakyReLU相比标准ReLU，在输入为负时有一个小的斜率，可以缓解“神经元死亡”问题，有助于训练稳定性。我们尝试过更复杂的架构（如残差连接），但在当前数据规模和问题复杂度下，并未带来显著提升，因此选择了更轻量、更易训练的基础MLP。

训练目标与损失函数设计训练的目标是让模型预测的远探测器事件分布q_ND(Eℓ, cosθ)尽可能接近真实的分布p_ND(Eℓ, cosθ)。这里有一个关键的技术细节：结构函数本身可以是负值（源于轴矢流贡献），但由它们计算出的截面必须非负。我们不能在模型结构上强行约束输出非负，那会破坏物理。因此，我们选择了均方误差（MSE）作为损失函数：Loss = ∫ [p_ND - q_ND]² dEℓ d cosθ因为p_ND是真实的概率密度（非负），最小化MSE会自然地驱使q_ND趋向非负，而无需任何额外的正则化项。这是一种巧妙地将物理约束融入优化过程的方法。

变量变换与数值实现直接使用(Eℓ, cosθ)网格进行训练，会导致事件在相空间分布极不均匀，低能区堆积，高能区稀疏，影响训练效率和精度。我们进行了聪明的变量替换：v1 = √Eℓ,v2 = √[Eℓ * sin²(θ/2)]变换后，事件在(v1, v2)空间中的分布更加均匀，如图2所示。这不仅减少了离散化积分误差，也使得神经网络更容易学习。在实际训练中，我们在(Eν, v1, v2)构成的三维网格上进行数值积分，来计算p_ND和q_ND。对于未来大规模应用，更根本的方法是直接对近探测器事件进行蒙特卡洛积分，完全避免直方图构建，这将是我们下一步工作的方向。

3. 从数据学习到振荡分析的全流程实现

3.1 截面学习：闭合测试验证

为了验证方法的可行性，我们设计了一个“闭合测试”：自己定义一个已知的“真实”截面模型（基于部分子模型和CT18NNLO部分子分布函数），然后用它来生成模拟的近探测器数据。再用这些数据去训练我们的神经网络，最后比较神经网络学到的截面与“真实”截面之间的差异。

训练过程与结果我们使用Adam优化器进行了约10^4次迭代。图2和图3清晰地展示了学习效果：在近探测器，模型分布与真实分布肉眼难以区分，差异在~1%水平。更重要的是，当我们将学到的模型应用到远探测器（使用经过振荡调制的能谱）时，模型预测的分布q_FD与真实分布p_FD依然吻合得非常好，差异仅在百分之几的水平。这表明模型成功地从近探测器数据中提取了普适的物理规律（即结构函数），并能够很好地外推到振荡后的运动学区域。

图4展示了在不同固定Eν切片上，真实截面与模型截面的对比。在中能区，两者几乎完全一致。在低能和高能边缘，出现了一些结构化的差异。图5进一步比较了积分后的总截面σ(Eν)，结果显示在大部分能区（0-8 GeV）符合度极佳，仅在接近10 GeV的高能端偏差有所增大。这可能是由于该区域训练数据统计量相对较少，以及部分子分布函数外推的不确定性所致。

实操心得：在训练中，我们发现对输入变量(x, Q²)进行标准化（减均值、除标准差）至关重要，能大幅加速收敛并提升稳定性。此外，虽然损失函数在训练集上持续下降，但我们密切监控模型在一个独立的验证集（从相同真实模型生成，但不同于训练数据）上的表现，以防止过拟合。在本研究中，由于是原理验证且数据无噪声，过拟合风险较低，但这一流程对于未来处理真实实验数据是必需的。

3.2 振荡参数提取：最大似然估��

学到一个好的截面模型是第一步，最终目标是用于振荡分析。我们采用最大似然估计（MLE）来从模拟的远探测器数据中提取振荡参数sin²(2θ23)和Δm²₃₁。

似然函数构建对于一组观测到的N个远探测器事件{Eℓ⁽ⁱ⁾, cosθ⁽ⁱ⁾}，其似然函数为：L(ω) = ∏ᵢ ˜p_FD(Eℓ⁽ⁱ⁾, cosθ⁽ⁱ⁾; ω)其中˜p_FD是由振荡参数ω调制的远探测器通量Φ_FD(Eν; ω)与截面模型（无论是真实的还是学到的）卷积得到的事件分布。我们通过最大化L(ω)来寻找最可能的ω值。

统计不确定性评估：自助法为了评估参数估计的统计不确定性，我们采用了自助法。从原始的6200个模拟FD事件（对应DUNE中微子模式运行3.5年的预期统计量）中，有放回地重复采样，生成25000个合成数据集。对每个数据集进行MLE拟合，得到25000个参数估计值。这些估计值的分布就反映了有限统计量带来的不确定性。

3.3 性能对比：接近理论极限

图6展示了使用真实截面和学习到的模型截面进行振荡分析得到的置信区间对比。这是整个研究最核心的结果：

• 黑色虚线：使用完美已知的真实截面进行分析，这代表了在有限FD统计量下的理论最佳精度极限。
• 蓝色实线：使用仅从ND数据学到的神经网络截面模型进行分析。

两者得到的置信区间在形状和大小上都非常接近。这意味着，我们的数据驱动方法几乎达到了“已知完美截面”才能达到的精度水平。模型没有引入明显的额外系统偏差，也没有人为地缩小不确定性区间（这是错误建模可能导致的假象）。

图7将参数空间转换到sin²θ23 - Δm²₃₁平面，揭示了八分圆简并问题：sin²θ23在0.5两侧存在两个近乎简并的最小值。我们的方法（蓝线）准确地复现了使用真实截面（黑线）时观察到的双峰结构，这表明机器学习模型不仅学到了截面的平均值，也学到了其细微的、与参数简并相关的形状特征。

4. 系统误差的量化与整合框架

原理性验证在理想条件下成功了，但迈向实际应用必须考虑各种系统误差。我们系统地研究了几个关键来源，并初步建立了一个将它们纳入不确定性评估的框架。

4.1 近探测器有限统计量的影响

之前的分析假设了近探测器有无限多的数据。实际上，DUNE预计在3.5年内能收集约3×10⁷个μ子中微子事件。我们通过从真实的p_ND分布中进行多项分布抽样，来模拟有限统计量下的直方图，并在此数据上重新训练多个模型。

结果分析（图8左）在预期统计量水平下，用不同有限统计量数据集训练出的模型（图8左中多条细蓝线）得到的振荡分析结果，围绕无限统计量结果（粗蓝带）仅有微小波动。这些波动远小于由FD统计量主导的置信区间范围。因此，DUNE预期的近探测器超高统计量，足以让我们接近“无限数据”的极限，有限统计量引入的误差可忽略。

低统计量情景测试我们将ND统计量人为降低10倍至3×10⁶事件（图8右）。此时，不同训练集导致的模型波动变得显著，其大小可能与FD统计误差相当。这说明对于统计量较小的实验或早期数据，有限ND统计量将成为一个不可忽略的系统误差源。未来可以通过优化训练策略（如使用蒙特卡洛积分损失、更好的运动学变量选择）来缓解。

4.2 探测器效应：能量分辨率

真实的探测器无法完美测量每个μ子的(Eℓ, cosθ)。DUNE对μ子能量的相对分辨率预计约为4%。我们将此效应建模为一个高斯型展宽核函数S(Eℓ|Eℓ‘)，将真实的事件分布p卷积得到观测到的“模糊化”分布p_S（公式9, 10）。角分辨率（~1°）在当前网格精度下影响较小，暂未考虑。

处理方法在训练阶段，我们使用模糊化后的近探测器分布p_S,ND作为训练目标。这意味着神经网络学习的是经过探测器响应修正后的“有效”截面。在振荡分析阶段，我们同样使用模糊化的模型分布q_S,FD与模糊化的FD数据进行比较。这种方法在概念上是直接的，但要求我们对探测器响应有良好的表征。

4.3 通量形状不确定性

我们的方法完全丢弃了通量的归一化信息，因此对通量整体尺度不敏感。然而，通量的能谱形状不确定性仍然会影响我们。如果假设的通量形状Φ_ND(Eν)与真实情况有偏差，那么即使截面学得完全正确，计算出的p_ND也会出错，导致训练出的截面模型产生偏差。

初步评估我们通过给输入通量引入参数化的形状扰动来初步评估这一影响。例如，在通量模型中加入一个线性扰动项(1 + α * Eν)。分析表明，通量形状误差确实会传递到学习到的截面模型中，并最终影响振荡参数。在未来的完整框架中，需要将通量形状参数与振荡参数一起，在全局拟合中作为** nuisance parameters **进行约束，或许可以结合利用中微子-电子散射等对通量形状敏感的过程来提供额外约束。

4.4 机器学习过程本身的不确定性

除了物理和实验系统误差，ML流程本身也引入不确定性：

1. 神经网络初始化与训练随机性：不同的随机种子会导致最终模型略有不同。我们通过多次训练（不同种子、不同数据子集）来评估这种“模型方差”。
2. 超参数选择：网络深度、宽度、学习率、激活函数等的选择会影响模型性能。我们在附录中进行了扫描，发现当前架构在合理范围内是稳健的，但最优超参数可能因数据而异。
3. 拟合不足与过拟合：虽然当前闭合测试中过拟合风险低，但对于真实数据，需要严格的验证集监控和可能的正则化技术（如Dropout, L2正则化）。

4.5 系统误差的初步整合方案

为了给出一个更现实的总体不确定性，我们设计了一个初步的整合方案。我们不再只做一次“最佳”拟合，而是生成一个模型集合。这个集合包括：

• 基于不同有限ND统计量抽样的多个模型。
• 应用了不同探测器能量分辨率假设（在4%附近变化）的模型。
• 在不同通量形状扰动假设下训练的模型。
• 不同神经网络初始化和超参数下的模型。

然后，我们对FD数据进行自助法重采样，并对每个重采样数据集，用这个模型集合中的每一个模型进行MLE拟合。最终，将所有拟合结果合并，用其分布来构建包含统计和系统误差的总置信区间。这种方法是费米实验室等机构在处理复杂系统误差时的常用思路，它提供了一种将ML模型不确定性“概率化”并融入物理分析框架的途径。

5. 方法优势、局限与未来拓展方向

5.1 与传统“近探测器调参”的对比

传统方法严重依赖事件生成器（如GENIE, NEUT）的物理模型。近探测器数据被用来调整这些生成器中的大量唯象参数（如核子共振态形状、初态核子动量分布等）。这个过程存在两个根本问题：1) 调整可能吸收未知的模型缺陷，导致错误的“最佳拟合”；2) 从近探测器到远探测器的运动学外推，依赖于模型本身的正确性。

我们的数据驱动方法则跳过了具体的物理模型，直接学习截面的非参数化表示。它最大化地利用了ND数据的统计信息，减少了模型假设引入的偏差。当然，它并非没有假设：我们依然依赖于结构函数分解这一基于标准模型对称性的核心框架。这是一个比具体强子化模型弱得多的假设。

5.2 当前研究的局限性与假设

本研究是一个原理性证明，因此做了若干简化，这些都是在未来工作中需要逐步放松的：

• 只考虑μ子中微子消失道：实际DUNE会同时分析ν_μ消失和ν_e出现道，以约束δ_CP等参数。将方法扩展到多通道是直接的，但需要同时学习不同反应道的截面。
• 只利用轻子信息：我们只使用了(Eℓ, cosθ)，忽略了所有强子末态信息。包含强子信息（如质子动能、π介子多重度）将提供额外的约束，显著提升截面学习的精度，尤其是对核效应（如核子关联、费米运动）的约束。
• 闭合测试环境：我们使用了一个已知的、相对简单的部分子模型作为“真实”截面。下一步必须用更复杂的事件生成器模拟数据进行测试，这将检验我们的方法在面对真实核效应、共振态产生等复杂物理时是否依然有效。
• 系统误差的全面处理：本文只是初步探索了几类系统误差。完整的误差分析还需包括：探测器效率、粒子鉴别误判、本底估计不确定性、以及理论误差（如高阶QCD/电弱修正、轴矢形状因子）等。

5.3 对未来实验的启示与拓展

这项工作为下一代中微子实验的数据分析开辟了一条新路。其潜力不仅限于DUNE，也适用于JUNO、Hyper-K等实验。未来的拓展方向包括：

• 端到端学习：将通量预测、截面学习、振荡参数提取整合到一个统一的、可微分的概率模型中，进行联合优化。
• 利用迁移学习与先验知识：用理论计算（如基于EFT的截面）或其它实验数据预训练神经网络，再在DUNE数据上进行微调，可能加速收敛并提升在小数据区域的表现。
• 不确定性校准：开发能够输出预测不确定性的贝叶斯神经网络或集成学习方法，为学到的截面提供可靠的误差带，这对于物理分析至关重要。
• 探索新物理：一旦建立了稳健的数据驱动截面模型，任何与模型预测的显著偏离，都可能暗示着超越标准模型的新物理信号，例如通过轻子味普适性破坏或中性流过程中的异常。

这个基于机器学习的截面建模框架，其核心思想是让数据在尽可能少的理论预设下，揭示其内在的物理规律。它并非物理理解的终点，而是一个强大的新工具，能帮助我们从海量实验数据中更干净、更高效地提取信息，最终推动中微子物理迈向更高精度的新时代。