应用于直接暗物质探测的贝叶斯技术组合独立训练的机器学习模型
高能物理 - 唯象学
2025-01-17 v2 宇宙学与河外天体物理
数据分析、统计与概率
摘要
我们对暗物质 (DM) 直接探测数据进行贝叶斯分析，以确定粒子模型参数，采用 Truncated Marginal Neural Ratio Estimation (TMNRE) 机器学习技术。TMNRE 避免了显式计算似然值的问题，该似然值则来自模拟数据，与传统的马尔可夫链蒙特卡罗 (MCMC) 算法不同。这大大加快了后验分布的计算速度，使我们能够对原本计算上不可行的大量基准点进行贝叶斯分析。在本文中，我们演示了在 TMNRE 框架下，可以模块化地包含、组合和移除不同的数据集，这既快速又简单，因为无需重新训练机器学习算法或定义组合似然值。为了评估该方法的性能，我们考虑了具有自旋依赖和独立与质子中子相互作用的 WIMP DM 在氦实验中的情况。经过用 MCMC 验证结果后，我们采用 TMNRE 程序来确定 DM 参数可被重构的区域。最后，我们提出了 CADDENA，这是一个 Python 软件包，实现了本工作中描述的直接探测实验的模块化贝叶斯分析。
引用
@article{arxiv.2407.21008,
title = {Bayesian technique to combine independently-trained Machine-Learning models applied to direct dark matter detection},
author = {David Cerdeno and Martin de los Rios and Andres D. Perez},
journal= {arXiv preprint arXiv:2407.21008},
year = {2025}
}
备注
Version published in JCAP. Discussions expanded and references added. 27 pages, 8 figures, 2 tables