Indirect Galactic Dark Matter Search with JUNO: A Machine Learning-Enhanced Sensitivity Study from MeV to GeV

Abstract

Die Natur der Dunklen Materie (DM), die ungefähr 26% des Energieinhalts des Universums ausmacht, bleibt eine der zentralen offenen Fragen der modernen Physik. Diese Arbeit widmet sich der indirekten Suche nach Dunkler Materie durch monoenergetische Neutrinos mit dem Jiangmen Underground Neutrino Observatory (JUNO)-Detektor, die den gesamten Massenbereich von mχ = 15 MeV bis 10 GeV abdeckt. Die Analyse geht von DM-Selbstannihilation via χχ → νℓν̄ℓ in der Milchstraße mit einer demokratischen Neutrino-Flavor-Komposition aus. Das Primärziel dieser Arbeit ist es, die Ausschlusssensitivität von JUNO auf den thermisch gemittelten Annihilationsquerschnitt unter Verwendung eines Bayes'schen Rahmens mit Markov-Chain-Monte-Carlo (MCMC)-Sampling zu bestimmen. Systematische Unsicherheiten werden durch log-normale Störparameter berücksichtigt, und die Robustheit gegen statistische Schwankungen in realen Messungen wird durch Toy-Monte-Carlo-Studien quantifiziert. Um diese Analyse durchzuführen, sind präzise Asimov-ähnliche Vorhersagen der Signal- und Hintergrundspektren essentiell. Daher werden unter Verwendung umfangreicher Monte-Carlo-Simulationen basierend auf GENIE und der vollständigen JUNO-Detektor-Simulation Signal- und Hintergrundspektren im gesamten Energiebereich modelliert. Der niederenergetische diffuse Supernova-Neutrino-Hintergrund (DSNB) wird unter Berücksichtigung verschiedener theoretischer Modelle einbezogen, während die atmosphärischen Neutrinoflüsse zum JUNO-Standort unter Annahme von Drei-Flavor-Oszillationen mit Materie-Effekten propagiert werden. Energieabhängige Selektionsstrategien werden entwickelt, um das Signal-zu-Hintergrund-Verhältnis in jedem Regime zu optimieren. Im MeV-Regime ermöglicht eine neue auf maschinellem Lernen (ML) basierte Vertex-Rekonstruktion mit einer Auflösung von ungefähr 18 cm eine Topologie-basierte Selektion für den inversen Betazerfall (IBD) kombiniert mit einer anschließenden Pulsformdiskriminierung (PSD). Im sub-GeV-Regime werden eine Flavor-basierte Selektion unter Verwendung von ML-basierter Teilchenidentifikation (PID) sowie eine topologische Null-Neutronen-Selektion eingeführt, um charakteristische Spektralmerkmale einer monoenergetischen Neutrinoquelle zu verstärken. Im GeV-Regime unterdrückt die Richtungsselektion um das Galaktische Zentrum (GC) den nahezu isotropen atmosphärischen Hintergrund, während ein großer Anteil des DM-Signals erhalten bleibt. JUNO kann die bestehenden Super-Kamiokande (SK)-Grenzen in dem Massenbereich mχ ≈ 15 MeV bis 1 GeV nach 10 Jahren Datennahme um etwa eine Größenordnung verbessern, wobei statistische Unsicherheit systematische Effekte dominiert. Für Einjahres-Szenarien ist die Ausschlusssensitivität im MeV-Regime konkurrenzfähig mit aktuellen Grenzen, während der sub-GeV-Bereich ein 5σ-Entdeckungspotenzial für Massen oberhalb von ungefähr 0,2 GeV erreicht. Im GeV-Regime sind Verbesserungen aufgrund der Winkelauflösung begrenzt, aber eine konkurrenzfähige, unabhängige Überprüfung bestehender Grenzen wird erreicht. Die Analyse wird auf p-Wellen-Annihilation durch J-Faktor-Reskalierung erweitert, und die in dieser Arbeit bestimmten modellunabhängigen Flussgrenzen stellen ein allgemeines Ergebnis dar, das auf jede Quelle monoenergetischer Neutrinosignale anwendbar ist.

The nature of dark matter (DM), which constitutes approximately 26% of the energy content of the universe, remains one of the central open questions in modern physics. This work is dedicated to the indirect search for dark matter via monoenergetic neutrinos with the Jiangmen Underground Neutrino Observatory (JUNO) detector, covering the entire mass range from mχ = 15 MeV to 10 GeV. The analysis assumes dark matter self-annihilation via χχ → νℓν̄ℓ in the Milky Way, with a democratic neutrino flavor composition. The primary goal of this work is to determine the exclusion sensitivity of JUNO on the thermally averaged annihilation cross section using a Bayesian framework with Markov chain Monte Carlo (MCMC) sampling. Systematic uncertainties are accounted for through log-normal nuisance parameters, and the robustness against statistical fluctuations in real measurements is quantified through toy Monte Carlo studies. To perform this analysis, precise Asimov-like predictions of signal and background spectra are essential. Therefore, using extensive Monte Carlo simulations based on GENIE and the full JUNO detector simulation, signal and background spectra are modeled across the entire energy range. The low-energy diffuse supernova neutrino background (DSNB) is incorporated considering different theoretical models, while atmospheric neutrino fluxes are propagated to the JUNO site assuming three-flavor oscillations including matter effects. Energy-dependent selection strategies are developed to optimize the signal-to-background ratio in each regime. In the MeV regime, a new machine-learning-based vertex reconstruction achieving approximately 18 cm resolution enables a topology-based selection of inverse beta decay (IBD) combined with a subsequent pulse-shape discrimination (PSD). In the sub-GeV regime, a flavor-based selection using machine-learning-based particle identification (PID) as well as a topological zero-neutron selection are introduced to enhance characteristic spectral features of a monoenergetic neutrino source. In the GeV regime, directional selection around the Galactic Center suppresses the nearly isotropic atmospheric background while retaining a large fraction of the dark matter signal. JUNO can improve existing Super-Kamiokande (SK) limits by approximately one order of magnitude in the mass range mχ ≈ 15 MeV to 1 GeV after 10 years of data taking, with statistical uncertainty dominating systematic effects. For one-year scenarios, exclusion sensitivity is competitive with current limits in the MeV regime, while the sub-GeV range achieves 5σ discovery potential for masses above approximately 0.2 GeV. In the GeV regime, improvements are limited by angular resolution, but a competitive, independent verification of existing limits is achieved. The analysis extends to p-wave annihilation through J-factor rescaling, and the model-independent flux limits determined in this work represent a general result applicable to any source of monoenergetic neutrino signals.