Challenges and Opportunities for Predicting Muons in Underground and Underwater Labs Using MUTE
Notice bibliographique
Résumé
MUTE (MUon inTensity codE) is a Python program (https://github.com/wjwoodley/mute) that combines two state-of-the-art codes, MCEq and PROPOSAL, to predict muon intensities and spectra in underground and underwater laboratories. Our previous work (A. Fedynitch, W. Woodley, M.-C. Piro 2022 ApJ 928 27) has demonstrated the accuracy of MUTE in reproducing the measured vertical equivalent muon intensities within the models' uncertainties. Moreover, we have shown that the experimental uncertainties are smaller than the theoretical uncertainties, making the vertical-equivalent data an effective calibration source for high-energy neutrino flux calculations. In this new study, we expand our analysis by calculating the total muon intensities and seasonal variations in labs located under flat earth and mountains using topographic maps of the overburdens. While our model predicts the amplitude of seasonal variations well, we identified inconsistencies amongst measurements at several labs, which pose additional challenges for interpretation. Additionally, the uncertainty in the rock density above many labs is a significant source of systematic uncertainty in total muon intensity measurements. Although MUTE accurately describes this data, we found that the uncertainties of the data were similar to our nominal prediction. We also present calculations using the daemonflux model, a muon and neutrino flux model calibrated with muon measurements at the surface, and using constraints from near-horizontal measurements at the highest energies. We examine whether the near-horizontal data is consistent with the underground measurements.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».