Investigando Transições Neutrão-Antineutrão
Pesquisas sobre transições de partículas raras podem mudar nossa visão do universo.
― 6 min ler
Índice
No campo da física de partículas, os cientistas estudam partículas muito pequenas, como nêutrons e antinêutrons, pra entender as regras fundamentais que governam nosso universo. Um processo interessante é a transição de um nêutron em antinêutron. Essa transição é legal porque quebra uma regra chave na física conhecida como conservação do número de bárions. Em termos simples, a conservação do número de bárions diz que o total de bárions (como prótons e nêutrons) permanece constante em sistemas isolados. Uma transição que muda um nêutron em antinêutron desafia nossa compreensão e abre espaço pra explorar novas teorias na física.
A Importância de Estudar Transições de Nêutron-Antinêutron
Compreender as transições de nêutron-antineutron pode lançar luz sobre várias perguntas importantes. Por exemplo, pode ajudar a descobrir por que nosso universo tem muito mais matéria do que antimateria. No começo do universo, matéria e antimateria foram criadas em quantidades iguais. No entanto, a gente vê um universo cheio de matéria. Estudar essas transições pode ajudar os físicos a desenvolver explicações pra esse desequilíbrio, potencialmente levando a novas ideias sobre a própria natureza da realidade.
O Experimento MicroBooNE
O experimento MicroBooNE é uma instalação projetada pra estudar Neutrinos, que são partículas minúsculas que interagem muito fracamente com a matéria. Localizado no Fermilab, nos Estados Unidos, o MicroBooNE usa um detector especial chamado câmara de projeção de tempo de argônio líquido (LArTPC). Esse tipo de detector ajuda a rastrear e analisar as interações entre partículas em um ambiente de argônio líquido.
O principal objetivo do experimento MicroBooNE é procurar por processos raros, como as transições suspeitas de nêutrons pra antinêutrons. Capturando mais dados e melhorando os métodos de análise, os pesquisadores esperam estabelecer novos limites sobre com que frequência essas transições podem acontecer.
Como a Detecção Funciona
O detector do MicroBooNE funciona superresfriando o gás argônio em um estado líquido. Quando partículas passam por esse líquido, elas criam elétrons de ionização. Esses elétrons são então coletados por um campo elétrico, permitindo que os cientistas visualizem e analisem as interações. Um sistema de detectores de luz também captura a luz gerada durante essas interações.
A combinação dos sinais de carga e luz informa os pesquisadores sobre os tipos de partículas envolvidas e a energia que elas carregavam. Essa informação é crucial pra identificar eventos onde um nêutron pode transitar pra antinêutron.
Aprendizado de Máquina na Física de Partículas
O aprendizado de máquina, um método de ensinar computadores a aprender com dados, desempenha um papel importante na análise dos dados coletados do experimento MicroBooNE. Métodos tradicionais de análise de dados podem ser lentos e ineficientes, especialmente na busca por eventos raros. O aprendizado de máquina ajuda a agilizar esse processo, identificando padrões e fazendo previsões com base em dados passados.
No caso das transições de nêutron-antineutron, algoritmos de aprendizado de máquina são treinados pra reconhecer as assinaturas únicas que essas transições criariam, separando-as de interações mais comuns, como aquelas causadas por raios cósmicos.
O Processo de Análise
Pra procurar por essas transições, os pesquisadores primeiro reúnem dados fora do feixe, que são dados coletados quando não há um feixe de neutrinos ativo. Eles então usam algoritmos sofisticados pra filtrar esses dados, procurando por aglomerados de interações que correspondam aos padrões esperados para as transições de nêutron-antineutron.
A análise inclui várias etapas. Inicialmente, uma seleção preliminar é feita pra filtrar a maior parte do ruído de fundo de outras interações, como aquelas causadas por raios cósmicos. Depois, os pesquisadores aplicam técnicas de seleção baseadas em imagem usando redes neurais pra refinar ainda mais os dados e identificar sinais potenciais.
Resultados da Análise
Depois da análise extensa, os pesquisadores não encontraram eventos em excesso que pudessem indicar uma transição de nêutron-antineutron. No entanto, isso não significa que a busca foi malsucedida. Em vez disso, permite que os cientistas estabeleçam novos limites sobre quanto tempo essas transições podem levar pra acontecer. Ao observar a atividade de fundo esperada e não encontrar sinais, eles estabeleceram um limite inferior sobre a probabilidade de essas transições acontecerem em núcleos de argônio.
Implicações Futuras
O trabalho feito no experimento MicroBooNE destaca o potencial pra estudos futuros na física de partículas. Com os avanços em tecnologia e técnicas de análise de dados, os pesquisadores estão mais bem equipados pra estudar processos raros que podem revelar novas fisicas.
O sucesso do experimento MicroBooNE também prepara o terreno pra experimentos futuros, incluindo detectores maiores como o Experimento de Neutrinos Profundos Subterrâneos (DUNE). Esses projetos que vêm pela frente vão ter mais recursos e melhor blindagem, permitindo que os cientistas realizem buscas ainda mais sensíveis por processos raros de partículas.
Conclusão
As transições de nêutron-antineutron representam uma área empolgante de pesquisa na física de partículas. Embora o experimento MicroBooNE não tenha encontrado evidências diretas dessas transições, suas metodologias e descobertas abriram novas portas pra entender o universo. A busca contínua por esses processos raros enfatiza o esforço colaborativo entre os cientistas pra expandir os limites do nosso conhecimento. Cada experimento, cada ponto de dado e todos os avanços em tecnologia contribuem pra uma imagem mais clara dos componentes fundamentais que formam nosso mundo. À medida que os pesquisadores continuam seu trabalho, eles nos aproximam de respostas pra algumas das perguntas mais profundas sobre a natureza da matéria, antimateria e do próprio universo.
Título: First application of a liquid argon time projection chamber for the search for intranuclear neutron-antineutron transitions and annihilation in $^{40}$Ar using the MicroBooNE detector
Resumo: We present a novel methodology to search for intranuclear neutron-antineutron transition ($n\rightarrow\bar{n}$) followed by $\bar{n}$-nucleon annihilation within an $^{40}$Ar nucleus, using the MicroBooNE liquid argon time projection chamber (LArTPC) detector. A discovery of $n\rightarrow\bar{n}$ transition or a new best limit on the lifetime of this process would either constitute physics beyond the Standard Model or greatly constrain theories of baryogenesis, respectively. The approach presented in this paper makes use of deep learning methods to select $n\rightarrow\bar{n}$ events based on their unique features and differentiate them from cosmogenic backgrounds. The achieved signal and background efficiencies are (70.22$\pm$6.04)\% and (0.0020$\pm$0.0003)\%, respectively. A demonstration of a search is performed with a data set corresponding to an exposure of $3.32 \times10^{26}\,$neutron-years, and where the background rate is constrained through direct measurement, assuming the presence of a negligible signal. With this approach, no excess of events over the background prediction is observed, setting a demonstrative lower bound on the $n\rightarrow\bar{n}$ lifetime in $^{40}$Ar of $\tau_{\textrm{m}} \gtrsim 1.1\times10^{26}\,$years, and on the free $n\rightarrow\bar{n}$ transition time of $\tau_{\textrm{\nnbar}} \gtrsim 2.6\times10^{5}\,$s, each at the $90\%$ confidence level. This analysis represents a first-ever proof-of-principle demonstration of the ability to search for this rare process in LArTPCs with high efficiency and low background.
Autores: MicroBooNE collaboration, P. Abratenko, O. Alterkait, D. Andrade Aldana, L. Arellano, J. Asaadi, A. Ashkenazi, S. Balasubramanian, B. Baller, G. Barr, D. Barrow, J. Barrow, V. Basque, O. Benevides Rodrigues, S. Berkman, A. Bhanderi, A. Bhat, M. Bhattacharya, M. Bishai, A. Blake, B. Bogart, T. Bolton, J. Y. Book, L. Camilleri, Y. Cao, D. Caratelli, I. Caro Terrazas, F. Cavanna, G. Cerati, Y. Chen, J. M. Conrad, M. Convery, L. Cooper-Troendle, J. I. Crespo-Anadon, R. Cross, M. Del Tutto, S. R. Dennis, P. Detje, A. Devitt, R. Diurba, Z. Djurcic, R. Dorrill, K. Duffy, S. Dytman, B. Eberly, P. Englezos, A. Ereditato, J. J. Evans, R. Fine, O. G. Finnerud, B. T. Fleming, N. Foppiani, W. Foreman, D. Franco, A. P. Furmanski, D. Garcia-Gamez, S. Gardiner, G. Ge, S. Gollapinni, O. Goodwin, E. Gramellini, P. Green, H. Greenlee, W. Gu, R. Guenette, P. Guzowski, L. Hagaman, O. Hen, R. Hicks, C. Hilgenberg, G. A. Horton-Smith, Z. Imani, B. Irwin, R. Itay, C. James, X. Ji, L. Jiang, J. H. Jo, R. A. Johnson, Y. J. Jwa, D. Kalra, N. Kamp, G. Karagiorgi, W. Ketchum, M. Kirby, T. Kobilarcik, I. Kreslo, I. Lepetic, J. -Y. Li, K. Li, Y. Li, K. Lin, B. R. Littlejohn, H. Liu, W. C. Louis, X. Luo, C. Mariani, D. Marsden, J. Marshall, N. Martinez, D. A. Martinez Caicedo, S. Martynenko, A. Mastbaum, N. McConkey, V. Meddage, J. Micallef, K. Miller, K. Mistry, T. Mohayai, A. Mogan, M. Mooney, A. F. Moor, C. D. Moore, L. Mora Lepin, M. M. Moudgalya, S. Mulleria Babu, D. Naples, A. Navrer-Agasson, N. Nayak, M. Nebot-Guinot, J. Nowak, N. Oza, O. Palamara, N. Pallat, V. Paolone, A. Papadopoulou, V. Papavassiliou, H. Parkinson, S. F. Pate, N. Patel, Z. Pavlovic, E. Piasetzky, I. Ponce-Pinto, I. Pophale, X. Qian, J. L. Raaf, V. Radeka, A. Rafique, M. Reggiani-Guzzo, L. Ren, L. Rochester, J. Rodriguez Rondon, M. Rosenberg, M. Ross-Lonergan, C. Rudolph von Rohr, I. Safa, G. Scanavini, D. W. Schmitz, A. Schukraft, W. Seligman, M. H. Shaevitz, R. Sharankova, J. Shi, E. L. Snider, M. Soderberg, S. Soldner-Rembold, J. Spitz, M. Stancari, J. St. John, T. Strauss, A. M. Szelc, W. Tang, N. Taniuchi, K. Terao, C. Thorpe, D. Torbunov, D. Totani, M. Toups, Y. -T. Tsai, J. Tyler, M. A. Uchida, T. Usher, B. Viren, M. Weber, H. Wei, A. J. White, S. Wolbers, T. Wongjirad, M. Wospakrik, K. Wresilo, N. Wright, W. Wu, E. Yandel, T. Yang, L. E. Yates, H. W. Yu, G. P. Zeller, J. Zennamo, C. Zhang
Última atualização: 2024-06-27 00:00:00
Idioma: English
Fonte URL: https://arxiv.org/abs/2308.03924
Fonte PDF: https://arxiv.org/pdf/2308.03924
Licença: https://creativecommons.org/licenses/by/4.0/
Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.
Obrigado ao arxiv pela utilização da sua interoperabilidade de acesso aberto.