基于机器学习的半监督方法用于直接探测数据中的暗物质搜寻

暗物质 sector 仍完全未知。因此，对其性质与可能相互作用保持开放态度至关重要。聚焦于弱相互作用大质量粒子（WIMP）的情形，在本工作中我们通过将现代机器学习技术应用于暗物质直接探测，使这一总体理念更为具体。具体做法是，利用卷积变分自编码器对 XENONnT 实验中本底事件的图形表示进行编码与解码。我们描述了一种以半监督方式利用由卷积变分自编码器的重构损失所得的“异常分数”以及预训练的标准卷积神经网络的方法论。事实上，我们观察到仅当无监督与有监督异常分数被共同考虑时，才能获得最优结果。具有较高异常分数占比的数据集被视为异常并值得进一步研究。与经典分析相反，原则上所有关于事件的信息都被使用，避免了不必要的信息损失。最后，我们通过将结果与经典推断比较，展示了在此情形下以学习为中心的异常探测的触及范围，观察到若恰当调参，这些技术有潜力超越基于似然的方法。