Deep Learning Prevede la Stabilità della Sorgente di Trizio per l'Esperimento KATRIN sui Neutrini

L'esperimento Karlsruhe Tritium Neutrino (KATRIN) ha utilizzato tecniche avanzate di previsione delle serie temporali basate su deep learning per anticipare la stabilità dopo disturbi nella sua sorgente gassosa di trizio senza finestre. L'obiettivo di KATRIN è raggiungere un livello di sensibilità senza precedenti nella misura della massa assoluta dei neutrini, richiedendo un'osservazione meticolosa della sorgente di decadimento beta del trizio. Sebbene la spettroscopia a raggi X indotta da beta consenta diagnostiche in tempo reale, i metodi tradizionali per rilevare la deriva faticano con rare occorrenze di instabilità transitoria. Questo studio integra modelli di previsione all'avanguardia, come LSTM, N-BEATS, TFT, NHITS, DLinear, NLinear, TSMixer e Chronos-LLM, con dati sperimentali reali, superando i benchmark convenzionali su dataset statici. I risultati indicano capacità di previsione migliorate per il tempo necessario a raggiungere la stabilità, migliorando così il monitoraggio della sorgente per la misura della massa dei neutrini.