Resumen
Esta tesis explora tres pilares interrelacionados de la física de astropartículas moderna: los neutrinos de alta energía como mensajeros cósmicos, la reconstrucción de eventos basada en aprendizaje automático para grandes telescopios de neutrinos y las búsquedas indirectas de materia oscura procedente del Sol. Tras introducir la física de producción y detección de neutrinos, describimos el telescopio submarino ANTARES y su marco de adquisición de datos, destacando los retos que plantean los eventos de baja energía y de una sola línea (SL), para los cuales la reconstrucción convencional es limitada.
La contribución metodológica central es N-fit, un marco de aprendizaje profundo adaptado a eventos SL. N-fit combina arquitecturas convolucionales con salidas de mezcla de densidades y aprendizaje por transferencia para inferir la dirección, la geometría, la energía y la clase del evento, con incertidumbres estimadas por evento. En simulaciones Monte Carlo y en datos, N-fit reduce sustancialmente los errores angulares para eventos tipo traza y, de forma crucial, proporciona estimaciones azimutales para eventos SL que antes no estaban disponibles. Para la mitad de mayor calidad de la muestra, el error cenital mediano mejora hasta el orden de unos pocos grados, permitiendo selecciones de calidad más estrictas; la inferencia de distancia/vértice de interacción y una regresión de energía con estimación explícita de incertidumbres refuerzan los análisis posteriores. Un clasificador con aprendizaje transferido alcanza una precisión competitiva, aprovechando características espaciales compartidas entre tareas.
Sobre estos avances, la tesis realiza una búsqueda de neutrinos procedentes de la autoaniquilación de materia oscura en el Sol, para la cual utiliza datos de ANTARES con un análisis no binado de verosimilitud. No se observa un exceso significativo; establecemos pues límites superiores al flujo de neutrinos solares procedentes de las autoaniquilaciones de WIMPs y a la sección eficaz de dispersión WIMP-nucleón en un amplio rango de masas de las WIMPs. Estos límites son competitivos y complementarios a los de otros telescopios de neutrinos y a los de los experimentos de detección directa, subrayando la sinergia entre búsquedas indirectas, directas y en colisionadores. Concluimos con perspectivas para KM3NeT, donde métodos de tipo N-fit y selecciones informadas por la incertidumbre pueden ampliar la investigación en física: desde estudios de oscilaciones de neutrinos a baja energía hasta búsquedas en dominio temporal y multimensajero.
Palabras clave
ANTARES; Neutrino astronomy; Artificial intelligence; Machine learning; Deep learning; Convolutional neural network; Transfer learning; Events reconstruction; Single-line event; Dark matter, WIMP; WIMP-nucleon cross-section; Computational physics; KM3NeT
