Expérience MicroBooNE : enquêter sur un mystère de longue date sur les neutrinos

Les neutrinos sont l’un des membres les plus mystérieux du modèle standard, un cadre pour décrire les forces fondamentales et les particules dans la nature. Bien qu’elles soient parmi les particules connues les plus abondantes dans l’univers, elles interagissent très rarement avec la matière, ce qui fait de leur détection une prouesse expérimentale difficile. L’une des énigmes de longue date de la physique des neutrinos provient de l’expérience Mini Booster Neutrino (MiniBooNE), qui s’est déroulée de 2002 à 2017 au Fermi National Accelerator Laboratory, ou Fermilab, dans l’Illinois. MiniBooNE a observé beaucoup plus d’interactions de neutrinos qui produisent des électrons que ce à quoi on pourrait s’attendre compte tenu de notre meilleure connaissance du modèle standard – et les physiciens essaient de comprendre pourquoi.

Un réseau de neurones prédit la vie réelle : les données réelles d’une interaction de neutrinos dans le MicroBooNE LArTPC sont affichées à gauche, où un neutrino électronique entre par la gauche et interagit avec un neutron dans un noyau d’argon, produisant un proton (p) et un électron ( e). Un muon de rayon cosmique est visible en bas. SparseSSNet, un algorithme d’apprentissage en profondeur qui étiquette chaque pixel en fonction du type de particule qu’il suspecte, est visible à droite. Le proton est correctement identifié comme une particule hautement ionisante (HIP), l’électron est correctement identifié comme une gerbe électromagnétique et le muon est correctement identifié comme une particule à ionisation minimale (MIP). Crédit : Collaboration MicroBooNE

En 2007, des chercheurs ont développé l’idée d’une expérience de suivi, MicroBooNE, qui a récemment terminé de collecter des données au Fermilab. MicroBooNE est un test idéal de l’excès de MiniBooNE grâce à son utilisation d’une nouvelle technologie de détection connue sous le nom de chambre à projection temporelle d’argon liquide (LArTPC), qui produit des images haute résolution des particules créées lors des interactions de neutrinos.

Les étudiants diplômés en physique Nicholas Kamp et Lauren Yates, ainsi que le professeur Janet Conrad, tous au sein du MIT Laboratory for Nuclear Science, ont joué un rôle de premier plan dans la recherche basée sur l’apprentissage en profondeur de MicroBooNE pour un excès de neutrinos dans le faisceau de neutrinos du Fermilab Booster. Dans cet entretien, Kamp discute de l’avenir de l’anomalie MiniBooNE dans le contexte des dernières découvertes de MicroBooNE.

Lauren Yates, une étudiante diplômée du MIT en physique, surveille le détecteur MicroBooNE dans la salle de contrôle Remote Operation Center West du Fermilab dans l’Illinois. Crédit : Reidar Hahn/Fermilab

Question : Pourquoi l’anomalie MiniBooNE est-elle si importante ?

UNE: L’une des grandes questions ouvertes en physique des neutrinos concerne l’existence possible d’une particule hypothétique appelée « neutrino stérile ». Trouver une nouvelle particule serait une très grosse affaire car cela peut nous donner des indices sur la théorie plus large qui explique les nombreuses particules que nous voyons. L’explication la plus courante de l’excès de MiniBooNE implique l’ajout d’un tel neutrino stérile au modèle standard. En raison des effets des oscillations des neutrinos, ce neutrino stérile se manifesterait comme une augmentation des neutrinos électroniques dans MiniBooNE.

Il existe de nombreuses anomalies supplémentaires observées dans la physique des neutrinos qui indiquent que cette particule pourrait exister. Cependant, il est difficile d’expliquer ces anomalies avec MiniBooNE par un seul neutrino stérile – l’image complète ne correspond pas tout à fait. Notre groupe au MIT s’intéresse aux nouveaux modèles physiques qui peuvent potentiellement expliquer cette image complète.

Question : Quelle est notre compréhension actuelle de l’excès MiniBooNE ?

UNE: Notre compréhension a considérablement progressé ces derniers temps grâce aux développements dans les domaines expérimental et théorique.

Notre groupe a travaillé avec des physiciens des universités de Harvard, Columbia et Cambridge pour explorer de nouvelles sources de photons qui peuvent apparaître dans un modèle théorique qui a également une signature électronique de 20 %. Nous avons développé un « modèle mixte » qui implique deux types de neutrinos exotiques – l’un qui se transforme en saveur électronique et l’autre qui se désintègre en photon. Ce travail est à venir dans Examen physique D.

Sur le plan expérimental, des résultats MicroBooNE plus récents – y compris une analyse basée sur l’apprentissage en profondeur dans laquelle notre groupe MIT a joué un rôle important – observé aucun excès de neutrinos qui produisent des électrons dans le détecteur MicroBooNE. En gardant à l’esprit le niveau auquel MicroBooNE peut effectuer la mesure, cela suggère que l’excès de MiniBooNE ne peut pas être entièrement attribué à des interactions de neutrinos supplémentaires. Si ce ne sont pas des électrons, alors ce doivent être des photons, car c’est la seule particule qui peut produire une signature similaire dans MiniBooNE. Mais nous sommes sûrs que ce ne sont pas les photons produits par les interactions que nous connaissons car ceux-ci sont limités à un faible niveau. Donc, ils doivent provenir de quelque chose de nouveau, comme la désintégration des neutrinos exotiques dans le modèle mixte. Ensuite, MicroBooNE travaille sur une recherche qui pourrait isoler et identifier ces photons supplémentaires. Restez à l’écoute!

Question : Vous avez mentionné que votre groupe est impliqué dans l’analyse MicroBooNE basée sur l’apprentissage en profondeur. Pourquoi utiliser l’apprentissage en profondeur en physique des neutrinos ?

UNE: Lorsque les humains regardent des images de chats, ils peuvent faire la différence entre les espèces sans trop de difficulté. De même, lorsque les physiciens regardent des images provenant d’un LArTPC, ils peuvent faire la différence entre les particules produites dans les interactions de neutrinos sans trop de difficulté. Cependant, en raison de la nuance des différences, les deux tâches s’avèrent difficiles pour les algorithmes conventionnels.

Le MIT est un nœud d’idées d’apprentissage en profondeur. Récemment, par exemple, il est devenu le site du National Science Foundation AI Institute for Artificial Intelligence and Fundamental Interactions. Il était logique pour notre groupe de s’appuyer sur la vaste expertise locale dans le domaine. Nous avons également eu l’opportunité de travailler avec des groupes fantastiques au SLAC, Tufts University, Université Columbia, et IIT, chacun disposant d’une solide base de connaissances sur les liens entre l’apprentissage en profondeur et la physique des neutrinos.

L’une des idées clés de l’apprentissage en profondeur est celle d’un « réseau neutre », qui est un algorithme qui prend des décisions (telles que l’identification de particules dans un LArTPC) sur la base d’une exposition antérieure à une suite de données d’entraînement. Notre groupe a produit le premier article sur l’identification des particules à l’aide de l’apprentissage profond en physique des neutrinos, prouvant qu’il s’agit d’une technique puissante. C’est l’une des principales raisons pour lesquelles les résultats récemment publiés de l’analyse basée sur l’apprentissage en profondeur de MicroBooNE imposent de fortes contraintes sur une interprétation des neutrinos électroniques de l’excès de MiniBooNE.

Dans l’ensemble, il est très chanceux qu’une grande partie du travail de base pour cette analyse ait été effectuée dans l’environnement riche en IA du MIT.