Computational Techniques for the Analysis of Small Signals in High-Statistics Neutrino Oscillation Experiments

6533b85dfe1ef96bd12bea85

RESEARCH PRODUCT

Computational Techniques for the Analysis of Small Signals in High-Statistics Neutrino Oscillation Experiments

M. G. Aartsen M. Ackermann J. Adams J. A. Aguilar M. Ahlers M. Ahrens I. Al Samarai D. Altmann K. Andeen T. Anderson I. Ansseau G. Anton C. Argüelles T. C. Arlen J. Auffenberg S. Axani H. Bagherpour X. Bai A. Balagopal J. P. Barron I. Bartos S. W. Barwick V. Baum R. Bay J. J. Beatty J. Becker Tjus K. -H Becker S. Benzvi D. Berley E. Bernardini D. Z. Besson G. Binder D. Bindig E. Blaufuss S. Blot C. Bohm M. Bohmer M. Börner F. Bos S. Böser O. Botner E. Bourbeau J. Bourbeau F. Bradascio J. Braun M. Brenzke H. -P Bretz S. Bron J. Brostean-kaiser A. Burgman R. S. Busse T. Carver E. Cheung D. Chirkin Asen Christov K. Clark L. Classen G. H. Collin J. M. Conrad P. Coppin P. Correa D. F. Cowen R. Cross P. Dave M. Day J. P. A. M. AndréC. Clercq J. J. Delaunay H. Dembinski S. Ridder P. Desiati K. D. Vries G. Wasseige M. With T. Deyoung J. C. Díaz-vélez V. Di Lorenzo H. Dujmovic J. P. Dumm M. Dunkman M. A. Duvernois E. Dvorak B. Eberhardt T. Ehrhardt B. Eichmann P. Eller R. Engel J. J. Evans P. A. Evenson S. Fahey A. R. Fazely J. Felde K. Filimonov C. Finley S. Flis A. Franckowiak E. Friedman A. Fritz T. K. Gaisser J. Gallagher A. Gartner L. Gerhardt R. Gernhaeuser K. Ghorbani W. Giang T. Glauch T. Glüsenkamp A. Goldschmidt J. G. Gonzalez D. Grant Z. Griffith C. Haack A. Hallgren F. Halzen K. Hanson J. Haugen A. Haungs D. Hebecker D. Heereman K. Helbing R. Hellauer F. Henningsen S. Hickford M. Hieronymus J. Hignight G. C. Hill K. D. Hoffman B. Hoffmann R. Hoffmann T. Hoinka B. Hokanson-fasig K. Holzapfel K. Hoshina F. Huang M. Huber T. Huber T. Huege K. Hultqvist M. Hünnefeld R. Hussain S. In N. Iovine A. Ishihara E. Jacobi G. S. Japaridze M. Jeong K. Jero B. J. P. Jones P. Kalaczynski O. Kalekin W. Kang D. Kang A. Kappes D. Kappesser T. Karg A. Karle T. Katori U. Katz M. Kauer A. Keivani J. L. Kelley A. Kheirandish J. Kim M. Kim T. Kintscher J. Kiryluk T. Kittler S. R. Klein R. Koirala H. Kolanoski L. Köpke C. Kopper S. Kopper J. P. Koschinsky D. J. Koskinen M. Kowalski C. B. Krauss K. Krings M. Kroll G. Krückl S. Kunwar N. Kurahashi T. Kuwabara A. Kyriacou M. Labare J. L. Lanfranchi M. J. Larson F. Lauber D. Lennarz K. Leonard M. Lesiak-bzdak A. Leszczynska M. Leuermann Q. R. Liu E. Lohfink J. Losecco C. J. Lozano Mariscal L. Lu J. Lünemann W. Luszczak J. Madsen G. Maggi K. B. M. Mahn S. Mancina S. Mandalia S. Marka Z. Marka R. Maruyama K. Mase R. Maunu K. Meagher M. Medici M. Meier T. Menne G. Merino T. Meures S. Miarecki J. Micallef G. MomentéT. Montaruli R. W. Moore M. Moulai R. Nahnhauer P. Nakarmi U. Naumann G. Neer H. Niederhausen S. C. Nowicki D. R. Nygren A. Obertacke Pollmann M. Oehler A. Olivas A. O Murchadha E. O Sullivan A. Palazzo T. Palczewski H. Pandya D. V. Pankova L. Papp P. Peiffer J. A. Pepper C. Pérez Los Heros T. C. Petersen D. Pieloth E. Pinat J. L. Pinfold M. Plum P. B. Price G. T. Przybylski C. Raab L. Rädel M. Rameez L. Rauch K. Rawlins I. C. Rea R. Reimann B. Relethford M. Relich M. Renschler E. Resconi W. Rhode M. Richman M. Riegel S. Robertson M. Rongen C. Rott T. Ruhe D. Ryckbosch D. Rysewyk I. Safa T. Sälzer S. E. Sanchez Herrera A. Sandrock J. Sandroos P. Sandstrom M. Santander S. Sarkar S. Sarkar K. Satalecka H. Schieler P. Schlunder T. Schmidt A. Schneider S. Schoenen S. Schöneberg F. G. Schröder L. Schulte L. Schumacher S. Sclafani D. Seckel S. Seunarine M. H. Shaevitz J. Soedingrekso D. Soldin S. Söldner-rembold M. Song G. M. Spiczak C. Spiering J. Stachurska M. Stamatikos T. Stanev A. Stasik R. Stein J. Stettner A. Steuer T. Stezelberger R. G. Stokstad A. Stößl N. L. Strotjohann T. Stuttard G. W. Sullivan M. Sutherland I. Taboada A. Taketa H. K. M. Tanaka J. Tatar F. Tenholt S. Ter-antonyan A. Terliuk S. Tilav P. A. Toale M. N. Tobin C. Tönnis S. Toscano D. Tosi M. Tselengidou C. F. Tung A. Turcati C. F. Turley B. Ty E. Unger M. Usner J. Vandenbroucke W. Driessche D. Eijk N. Eijndhoven S. Vanheule J. Santen D. Veberic E. Vogel M. Vraeghe C. Walck A. Wallace M. Wallraff F. D. Wandler N. Wandkowsky A. Waza C. Weaver A. Weindl M. J. Weiss C. Wendt J. Werthebach S. Westerhoff B. J. Whelan K. Wiebe C. H. Wiebusch L. Wille D. R. Williams L. Wills M. Wolf J. Wood T. R. Wood E. Woolsey K. Woschnagg G. Wrede S. Wren D. L. Xu X. W. Xu Y. Xu J. P. Yanez G. Yodh S. Yoshida T. Yuan

subject

data analysis method Nuclear and High Energy Physics Monte Carlo method FVLV nu T Data analysis; Detector; KDE; MC; Monte Carlo; Neutrino; Neutrino mass ordering; Smoothing; Statistics; VLVνT Data analysis KDE FOS: Physical sciences 01 natural sciences IceCube High Energy Physics - Experiment High Energy Physics - Experiment (hep-ex)statistical analysis numerical methods 0103 physical sciences Statistics Neutrino ddc:530 Sensitivity (control systems)MC 010306 general physics Neutrino oscillation Instrumentation and Methods for Astrophysics (astro-ph.IM)Instrumentation Monte Carlo Physics VLVνT 010308 nuclear & particles physics Oscillation Statistics oscillation [neutrino]Observable Detector Monte Carlo [numerical calculations]Weighting Neutrino mass ordering Physics and Astronomy Physics - Data Analysis Statistics and Probability Physique des particules élémentaires Neutrino Astrophysics - Instrumentation and Methods for Astrophysics MATTER Data Analysis Statistics and Probability (physics.data-an)Smoothing Smoothing

description

The current and upcoming generation of Very Large Volume Neutrino Telescopes – collecting unprecedented quantities of neutrino events – can be used to explore subtle effects in oscillation physics, such as (but not restricted to) the neutrino mass ordering. The sensitivity of an experiment to these effects can be estimated from Monte Carlo simulations. With the high number of events that will be collected, there is a trade-off between the computational expense of running such simulations and the inherent statistical uncertainty in the determined values. In such a scenario, it becomes impractical to produce and use adequately-sized sets of simulated events with traditional methods, such as Monte Carlo weighting. In this work we present a staged approach to the generation of expected distributions of observables in order to overcome these challenges. By combining multiple integration and smoothing techniques which address limited statistics from simulation it arrives at reliable analysis results using modest computational resources.

year	journal	country	edition	language
2020-10-01

http://arxiv.org/abs/1803.05390