ترجمه فارسی مقاله تکنیک بیزی برای ترکیب مدل های یادگیری مستقل آموزش دیده برای تشخیص مستقیم ماده تاریک

چکیده

We carry out a Bayesian analysis of dark matter (DM) direct detection data to determine particle model parameters using the Truncated Marginal Neural Ratio Estimation (TMNRE) machine learning technique. TMNRE avoids an explicit calculation of the likelihood, which instead is estimated from simulated data, unlike in traditional Markov Chain Monte Carlo (MCMC) algorithms. This considerably speeds up, by several orders of magnitude, the computation of the posterior distributions, which allows to perform the Bayesian analysis of an otherwise computationally prohibitive number of benchmark points. In this article we demonstrate that, in the TMNRE framework, it is possible to include, combine, and remove different datasets in a modular fashion, which is fast and simple as there is no need to re-train the machine learning algorithm or to define a combined likelihood. In order to assess the performance of this method, we consider the case of WIMP DM with spin-dependent and independent interactions with protons and neutrons in a xenon experiment. After validating our results with MCMC, we employ the TMNRE procedure to determine the regions where the DM parameters can be reconstructed. Finally, we present CADDENA, a Python package that implements the modular Bayesian analysis of direct detection experiments described in this work.

چکیده به فارسی (ترجمه ماشینی)

ما یک تجزیه و تحلیل بیزی از داده های تشخیص مستقیم ماده تاریک (DM) برای تعیین پارامترهای مدل ذرات با استفاده از تکنیک یادگیری ماشین حاشیه حاشیه ای کوتاه (TMNRE) انجام می دهیم.TMNRE از محاسبه صریح از احتمال جلوگیری می کند ، که در عوض بر خلاف الگوریتم های زنجیره سنتی Monte Carlo (MCMC) از داده های شبیه سازی شده تخمین زده می شود.این امر به میزان قابل توجهی با چندین سفارش از بزرگی ، محاسبه توزیع خلفی ، که امکان انجام تجزیه و تحلیل بیزی را از تعداد غیر محاسباتی از نقاط معیار فراهم می کند ، سرعت می بخشد.در این مقاله ما نشان می دهیم که ، در چارچوب TMNRE ، می توان مجموعه داده های مختلف را به روشی مدولار درج ، ترکیب و حذف کرد ، که سریع و ساده است زیرا نیازی به هدایت مجدد الگوریتم یادگیری دستگاه یا تعریف نیست.یک احتمال ترکیبیبه منظور ارزیابی عملکرد این روش ، ما مورد WIMP DM را با تعامل وابسته به چرخش و مستقل با پروتون ها و نوترون ها در یک آزمایش زنون در نظر می گیریم.پس از اعتبارسنجی نتایج خود با MCMC ، ما از روش TMNRE برای تعیین مناطقی که پارامترهای DM می توانند بازسازی شوند ، استفاده می کنیم.سرانجام ، ما Caddena ، یک بسته پایتون را ارائه می دهیم که تجزیه و تحلیل بیزی ماژولار از آزمایش های تشخیص مستقیم شرح داده شده در این کار را پیاده سازی می کند.