用新实验数据优化电子-碳散射神经网络模型，提升高能物理实验预测精度。
Re-optimization of a deep neural network model for electron-carbon scattering using new experimental data
- 基于先验模型和新旧实验数据，重优化神经网络后验模型。
- 在超导探测器与深层中微子实验相关能区，交叉截面预测更精确。
- 适用于高能核物理与大型中微子实验的理论建模参考。
我们提出一个更新的深度神经网络模型，用于描述包含性电子-碳散射。以bootstrap模型（Phys.Rev.C 110 (2024) 2, 025501）作为先验，结合近期实验数据及深逆散射区域的历史测量，推导出重新优化的后验模型。研究了这些新输入对模型预测及其不确定度的影响，并评估了该模型在与超水契克兰（Hyper-Kamiokande）和深层中微子实验（DUNE）相关动量转移范围内的截面预测表现。
原文摘要 · Abstract (English)
We present an updated deep neural network model for inclusive electron-carbon scattering. Using the bootstrap model [Phys.Rev.C 110 (2024) 2, 025501] as a prior, we incorporate recent experimental data, as well as older measurements in the deep inelastic scattering region, to derive a re-optimized posterior model. We examine the impact of these new inputs on model predictions and associated uncertainties. Finally, we evaluate the resulting cross-section predictions in the kinematic range relevant to the Hyper-Kamiokande and DUNE experiments.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。