La determinación del orden de masas de los neutrinos es uno de los problemas abiertos centrales en la física de partículas. Aunque los experimentos de próxima generación con líneas de base largas prometen resolver esta cuestión, los datos actuales ofrecen una sensibilidad limitada debido a que las diferencias espectrales entre el orden normal y el invertido son sutiles y están entrelazadas con degeneraciones de parámetros. Un nuevo estudio propone una estrategia de aprendizaje automático para abordar este desafío, utilizando una red neuronal artificial para clasificar el orden de masas de los neutrinos.

Investigadores han entrenado un clasificador de red neuronal de tipo *feed-forward* con conjuntos de datos sintéticos de líneas de base largas. Estos datos fueron generados a partir de probabilidades de oscilación de tres sabores, incluyendo los efectos de la materia y fluctuaciones estadísticas. La red neuronal fue evaluada frente a los métodos convencionales basados en el estadístico $\chi^2$ y la función de verosimilitud $\log\mathcal{L}$, utilizando métricas de discriminación comunes como las curvas ROC (Receiver Operating Characteristic) para cuantificar la sensibilidad y explorar cómo se pueden seleccionar los puntos de operación para priorizar la pureza o la eficiencia.

Los resultados muestran que la red neuronal alcanza un rendimiento comparable al de los ajustes convencionales para los escenarios estudiados. Este enfoque ofrece una verificación cruzada independiente y flexible de los análisis establecidos. Además, el marco propuesto es extensible para incorporar incertidumbres sistemáticas y explorar la inferencia conjunta de parámetros de oscilación, lo que podría ser una herramienta pedagógica útil para introducir métodos de aprendizaje automático en la física de neutrinos.