用于暗物质直接探测的卷积神经网络
高能物理 - 唯象学
2020-08-03 v2 天体物理仪器与方法
摘要
XENON1T实验使用装有液氙的时间投影室（TPC）通过直接探测寻找弱相互作用大质量粒子（WIMPs，一种假想的暗物质粒子）。由于该实验依赖于捕获稀有事件，重点在于实现WIMP事件的高召回率。因此，区分WIMP与背景的能力极为重要。为此，我们建议使用卷积神经网络（CNNs）——一种主要用于图像识别任务的机器学习方法。为探索该技术，我们利用XENON合作组的开源软件模拟TPC中暗物质信号与主要背景的图形输出。CNN被证明是适用于此目的的工具，因为它能够识别图像中区分两类事件的特征，而无需为聚焦探测器特定区域而操纵或剔除数据。我们发现，CNN能以93.4%的召回率、81.2%的精确率和87.2%的准确率区分主要背景事件（ER）与500 GeV的WIMP事件。
引用
@article{arxiv.1911.09210,
title = {Convolutional Neural Networks for Direct Detection of Dark Matter},
author = {Charanjit K. Khosa and Lucy Mars and Joel Richards and Veronica Sanz},
journal= {arXiv preprint arXiv:1911.09210},
year = {2020}
}
备注
17 figures, 4 tables (matches the published version)