针对暗物质直接探测实验的非标准相互作用 neutrino 快速贝叶斯推断
机器学习
2025-02-21 v2 高能物理 - 唯象学
机器学习
摘要
多维参数空间在超标准模型的物理理论中常见，但常常具有复杂的后验几何，对传统天文粒子物理技术而言代价高昂。最近几项创新措施才开始逐步进入这一领域，包括 GPU 加速、自动微分和神经网络引导的重新参数化。我们将这些技术应用于暗物质直接探测实验，以非标准 neutrino 相互作用为背景，并对比传统嵌套抽样技术在进行贝叶斯推断时的性能。我们发现，这些技术不仅加速了嵌套抽样和哈密顿马尔可夫链采样，分别提高了约 100 倍和 60 倍的性能。由于嵌套抽样还能评估贝叶斯证据，这些技术可以用于改进模型比较性能，同时保持与自然科学中广泛使用的现有实现的兼容性。通过这些技术，我们进行了首次扫描暗物质直接探测实验的 neutrino 非标准相互作用参数空间，允许所有参数同时变化。我们预计这些技术在其他涉及多维参数空间的天文粒子物理领域也具有广泛适用性。
引用
@article{arxiv.2405.14932,
title = {Fast Bayesian Inference for Neutrino Non-Standard Interactions at Dark Matter Direct Detection Experiments},
author = {Dorian W. P. Amaral and Shixiao Liang and Juehang Qin and Christopher Tunnell},
journal= {arXiv preprint arXiv:2405.14932},
year = {2025}
}
备注
26 pages, 6 figures, 5 tables, 5 appendices. Compared to v1: Added Bayesian to title, included more physical background, and added a table with 1D marginalised credible intervals for NSI parameters. Matches journal version