Copertina

Salvato in:
Dettagli Bibliografici
Autori principali: Aalbers, J., Abe, K., Adrover, M., Maouloud, S. Ahmed, Althueser, L., Amaral, D. W. P., Andrieu, B., Angelino, E., Martin, D. Antón, Antunovic, B., Aprile, E., Babicz, M., Bajpai, D., Balzer, M., Barberio, E., Baudis, L., Bazyk, M., Bell, N. F., Bellagamba, L., Biondi, R., Biondi, Y., Bismark, A., Boehm, C., Boese, K., Braun, R., Breskin, A., Brommer, S., Brown, A., Bruni, G., Budnik, R., Cai, C., Capelli, C., Chauvin, A., Chavez, A. P. Cimental, Colijn, A. P., Conrad, J., Cuenca-García, J. J., D'Andrea, V., Garcia, L. C. Daniel, Decowski, M. P., Deisting, A., Di Donato, C., Di Gangi, P., Diglio, S., Doerenkamp, M., Drexlin, G., Eitel, K., Elykov, A., Engel, R., Ferella, A. D., Ferrari, C., Fischer, H., Flehmke, T., Flierman, M., Fujikawa, K., Fulgione, W., Fuselli, C., Gaemers, P., Gaior, R., Galloway, M., Gao, F., Garroum, N., Giacomobono, R., Girard, F., Glade-Beucke, R., Glück, F., Grandi, L., Grigat, J., Größle, R., Guan, H., Guida, M., Gyorgy, P., Hammann, R., Hannen, V., Hansmann-Menzemer, S., Hargittai, N., Higuera, A., Hils, C., Hiraoka, K., Hoetzsch, L., Hoferichter, M., Hood, N. F., Iacovacci, M., Itow, Y., Jakob, J., James, R. S., Joerg, F., Kahlert, F., Kaminaga, Y., Kara, M., Kavrigin, P., Kazama, S., Keller, M., Kharbanda, P., Kilminster, B., Kleifges, M., Klute, M., Kobayashi, M., Koke, D., Kopec, A., von Krosigk, B., Kuger, F., LaCascio, L., Landsman, H., Lang, R. F., Levinson, L., Li, I., Li, A., Li, S., Liang, S., Liang, Z., Lin, Y. -T., Lindemann, S., Lindner, M., Liu, K., Loizeau, J., Lombardi, F., Long, J., Lopes, J. A. M., Lucchetti, G. M., Luce, T., Ma, Y., Macolino, C., Mahlstedt, J., Maier, B., Mancuso, A., Manenti, L., Marignetti, F., Undagoitia, T. Marrodán, Martens, K., Masbou, J., Masson, E., Mastroianni, S., Melchiorre, A., Menéndez, J., Messina, M., Milosovic, B., Milutinovic, S., Miuchi, K., Miyata, R., Molinario, A., Monteiro, C. M. B., Morå, K., Moriyama, S., Morteau, E., Mosbacher, Y., Müller, J., Murra, M., Newstead, J. L., Ni, K., O'Hare, C., Oberlack, U., Obradovic, M., Ostrowskiy, I., Ouahada, S., Paetsch, B., Pan, Y., Pandurovic, M., Pellegrini, Q., Peres, R., Piastra, F., Pienaar, J., Pierre, M., Plante, G., Pollmann, T. R., Principe, L., Qi, J., Qiao, K., Qin, J., Rajado, M., García, D. Ramírez, Ravindran, A., Razeto, A., Sanchez, L., Sanchez-Lucas, P., Sartorelli, G., Scaffidi, A., Schreiner, J., Schulte, P., Eißing, H. Schulze, Schumann, M., Schwenck, A., Schwenk, A., Lavina, L. Scotto, Selvi, M., Semeria, F., Shagin, P., Sharma, S., Shen, W., Shi, S. Y., Shimada, T., Simgen, H., Singh, R., Solmaz, M., Stanley, O., Steidl, M., Stevens, A., Takeda, A., Tan, P. -L., Thers, D., Thümmler, T., Tönnies, F., Toschi, F., Trinchero, G., Trotta, R., Tunnell, C. D., Urquijo, P., Utoyama, M., Valerius, K., Vecchi, S., Vetter, S., Volta, G., Vorkapic, D., Wang, W., Weerman, K. M., Weinheimer, C., Weiss, M., Wenz, D., Wilson, M., Wittweg, C., Wolf, J., Wu, V. H. S., Wüstling, S., Wurm, M., Xing, Y., Xu, D., Xu, Z., Yamashita, M., Yang, L., Ye, J., Yuan, L., Zavattini, G., Zhong, M., Zuber, K.
Natura: Preprint
Pubblicazione: 2024
Soggetti:
Instrumentation and Detectors
Accesso online:https://arxiv.org/abs/2410.00755
Tags: Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!
_version_ 1866913105061085184
author Aalbers, J.
Abe, K.
Adrover, M.
Maouloud, S. Ahmed
Althueser, L.
Amaral, D. W. P.
Andrieu, B.
Angelino, E.
Martin, D. Antón
Antunovic, B.
Aprile, E.
Babicz, M.
Bajpai, D.
Balzer, M.
Barberio, E.
Baudis, L.
Bazyk, M.
Bell, N. F.
Bellagamba, L.
Biondi, R.
Biondi, Y.
Bismark, A.
Boehm, C.
Boese, K.
Braun, R.
Breskin, A.
Brommer, S.
Brown, A.
Bruni, G.
Budnik, R.
Cai, C.
Capelli, C.
Chauvin, A.
Chavez, A. P. Cimental
Colijn, A. P.
Conrad, J.
Cuenca-García, J. J.
D'Andrea, V.
Garcia, L. C. Daniel
Decowski, M. P.
Deisting, A.
Di Donato, C.
Di Gangi, P.
Diglio, S.
Doerenkamp, M.
Drexlin, G.
Eitel, K.
Elykov, A.
Engel, R.
Ferella, A. D.
Ferrari, C.
Fischer, H.
Flehmke, T.
Flierman, M.
Fujikawa, K.
Fulgione, W.
Fuselli, C.
Gaemers, P.
Gaior, R.
Galloway, M.
Gao, F.
Garroum, N.
Giacomobono, R.
Girard, F.
Glade-Beucke, R.
Glück, F.
Grandi, L.
Grigat, J.
Größle, R.
Guan, H.
Guida, M.
Gyorgy, P.
Hammann, R.
Hannen, V.
Hansmann-Menzemer, S.
Hargittai, N.
Higuera, A.
Hils, C.
Hiraoka, K.
Hoetzsch, L.
Hoferichter, M.
Hood, N. F.
Iacovacci, M.
Itow, Y.
Jakob, J.
James, R. S.
Joerg, F.
Kahlert, F.
Kaminaga, Y.
Kara, M.
Kavrigin, P.
Kazama, S.
Keller, M.
Kharbanda, P.
Kilminster, B.
Kleifges, M.
Klute, M.
Kobayashi, M.
Koke, D.
Kopec, A.
von Krosigk, B.
Kuger, F.
LaCascio, L.
Landsman, H.
Lang, R. F.
Levinson, L.
Li, I.
Li, A.
Li, S.
Liang, S.
Liang, Z.
Lin, Y. -T.
Lindemann, S.
Lindner, M.
Liu, K.
Loizeau, J.
Lombardi, F.
Long, J.
Lopes, J. A. M.
Lucchetti, G. M.
Luce, T.
Ma, Y.
Macolino, C.
Mahlstedt, J.
Maier, B.
Mancuso, A.
Manenti, L.
Marignetti, F.
Undagoitia, T. Marrodán
Martens, K.
Masbou, J.
Masson, E.
Mastroianni, S.
Melchiorre, A.
Menéndez, J.
Messina, M.
Milosovic, B.
Milutinovic, S.
Miuchi, K.
Miyata, R.
Molinario, A.
Monteiro, C. M. B.
Morå, K.
Moriyama, S.
Morteau, E.
Mosbacher, Y.
Müller, J.
Murra, M.
Newstead, J. L.
Ni, K.
O'Hare, C.
Oberlack, U.
Obradovic, M.
Ostrowskiy, I.
Ouahada, S.
Paetsch, B.
Pan, Y.
Pandurovic, M.
Pellegrini, Q.
Peres, R.
Piastra, F.
Pienaar, J.
Pierre, M.
Plante, G.
Pollmann, T. R.
Principe, L.
Qi, J.
Qiao, K.
Qin, J.
Rajado, M.
García, D. Ramírez
Ravindran, A.
Razeto, A.
Sanchez, L.
Sanchez-Lucas, P.
Sartorelli, G.
Scaffidi, A.
Schreiner, J.
Schulte, P.
Eißing, H. Schulze
Schumann, M.
Schwenck, A.
Schwenk, A.
Lavina, L. Scotto
Selvi, M.
Semeria, F.
Shagin, P.
Sharma, S.
Shen, W.
Shi, S. Y.
Shimada, T.
Simgen, H.
Singh, R.
Solmaz, M.
Stanley, O.
Steidl, M.
Stevens, A.
Takeda, A.
Tan, P. -L.
Thers, D.
Thümmler, T.
Tönnies, F.
Toschi, F.
Trinchero, G.
Trotta, R.
Tunnell, C. D.
Urquijo, P.
Utoyama, M.
Valerius, K.
Vecchi, S.
Vetter, S.
Volta, G.
Vorkapic, D.
Wang, W.
Weerman, K. M.
Weinheimer, C.
Weiss, M.
Wenz, D.
Wilson, M.
Wittweg, C.
Wolf, J.
Wu, V. H. S.
Wüstling, S.
Wurm, M.
Xing, Y.
Xu, D.
Xu, Z.
Yamashita, M.
Yang, L.
Ye, J.
Yuan, L.
Zavattini, G.
Zhong, M.
Zuber, K.
author_facet Aalbers, J.
Abe, K.
Adrover, M.
Maouloud, S. Ahmed
Althueser, L.
Amaral, D. W. P.
Andrieu, B.
Angelino, E.
Martin, D. Antón
Antunovic, B.
Aprile, E.
Babicz, M.
Bajpai, D.
Balzer, M.
Barberio, E.
Baudis, L.
Bazyk, M.
Bell, N. F.
Bellagamba, L.
Biondi, R.
Biondi, Y.
Bismark, A.
Boehm, C.
Boese, K.
Braun, R.
Breskin, A.
Brommer, S.
Brown, A.
Bruni, G.
Budnik, R.
Cai, C.
Capelli, C.
Chauvin, A.
Chavez, A. P. Cimental
Colijn, A. P.
Conrad, J.
Cuenca-García, J. J.
D'Andrea, V.
Garcia, L. C. Daniel
Decowski, M. P.
Deisting, A.
Di Donato, C.
Di Gangi, P.
Diglio, S.
Doerenkamp, M.
Drexlin, G.
Eitel, K.
Elykov, A.
Engel, R.
Ferella, A. D.
Ferrari, C.
Fischer, H.
Flehmke, T.
Flierman, M.
Fujikawa, K.
Fulgione, W.
Fuselli, C.
Gaemers, P.
Gaior, R.
Galloway, M.
Gao, F.
Garroum, N.
Giacomobono, R.
Girard, F.
Glade-Beucke, R.
Glück, F.
Grandi, L.
Grigat, J.
Größle, R.
Guan, H.
Guida, M.
Gyorgy, P.
Hammann, R.
Hannen, V.
Hansmann-Menzemer, S.
Hargittai, N.
Higuera, A.
Hils, C.
Hiraoka, K.
Hoetzsch, L.
Hoferichter, M.
Hood, N. F.
Iacovacci, M.
Itow, Y.
Jakob, J.
James, R. S.
Joerg, F.
Kahlert, F.
Kaminaga, Y.
Kara, M.
Kavrigin, P.
Kazama, S.
Keller, M.
Kharbanda, P.
Kilminster, B.
Kleifges, M.
Klute, M.
Kobayashi, M.
Koke, D.
Kopec, A.
von Krosigk, B.
Kuger, F.
LaCascio, L.
Landsman, H.
Lang, R. F.
Levinson, L.
Li, I.
Li, A.
Li, S.
Liang, S.
Liang, Z.
Lin, Y. -T.
Lindemann, S.
Lindner, M.
Liu, K.
Loizeau, J.
Lombardi, F.
Long, J.
Lopes, J. A. M.
Lucchetti, G. M.
Luce, T.
Ma, Y.
Macolino, C.
Mahlstedt, J.
Maier, B.
Mancuso, A.
Manenti, L.
Marignetti, F.
Undagoitia, T. Marrodán
Martens, K.
Masbou, J.
Masson, E.
Mastroianni, S.
Melchiorre, A.
Menéndez, J.
Messina, M.
Milosovic, B.
Milutinovic, S.
Miuchi, K.
Miyata, R.
Molinario, A.
Monteiro, C. M. B.
Morå, K.
Moriyama, S.
Morteau, E.
Mosbacher, Y.
Müller, J.
Murra, M.
Newstead, J. L.
Ni, K.
O'Hare, C.
Oberlack, U.
Obradovic, M.
Ostrowskiy, I.
Ouahada, S.
Paetsch, B.
Pan, Y.
Pandurovic, M.
Pellegrini, Q.
Peres, R.
Piastra, F.
Pienaar, J.
Pierre, M.
Plante, G.
Pollmann, T. R.
Principe, L.
Qi, J.
Qiao, K.
Qin, J.
Rajado, M.
García, D. Ramírez
Ravindran, A.
Razeto, A.
Sanchez, L.
Sanchez-Lucas, P.
Sartorelli, G.
Scaffidi, A.
Schreiner, J.
Schulte, P.
Eißing, H. Schulze
Schumann, M.
Schwenck, A.
Schwenk, A.
Lavina, L. Scotto
Selvi, M.
Semeria, F.
Shagin, P.
Sharma, S.
Shen, W.
Shi, S. Y.
Shimada, T.
Simgen, H.
Singh, R.
Solmaz, M.
Stanley, O.
Steidl, M.
Stevens, A.
Takeda, A.
Tan, P. -L.
Thers, D.
Thümmler, T.
Tönnies, F.
Toschi, F.
Trinchero, G.
Trotta, R.
Tunnell, C. D.
Urquijo, P.
Utoyama, M.
Valerius, K.
Vecchi, S.
Vetter, S.
Volta, G.
Vorkapic, D.
Wang, W.
Weerman, K. M.
Weinheimer, C.
Weiss, M.
Wenz, D.
Wilson, M.
Wittweg, C.
Wolf, J.
Wu, V. H. S.
Wüstling, S.
Wurm, M.
Xing, Y.
Xu, D.
Xu, Z.
Yamashita, M.
Yang, L.
Ye, J.
Yuan, L.
Zavattini, G.
Zhong, M.
Zuber, K.
contents We present a novel deep learning pipeline to perform a model-independent, likelihood-free search for anomalous (i.e., non-background) events in the proposed next generation multi-ton scale liquid Xenon-based direct detection experiment, DARWIN. We train an anomaly detector comprising a variational autoencoder and a classifier on extensive, high-dimensional simulated detector response data and construct a one-dimensional anomaly score optimised to reject the background only hypothesis in the presence of an excess of non-background-like events. We benchmark the procedure with a sensitivity study that determines its power to reject the background-only hypothesis in the presence of an injected WIMP dark matter signal, outperforming the classical, likelihood-based background rejection test. We show that our neural networks learn relevant energy features of the events from low-level, high-dimensional detector outputs, without the need to compress this data into lower-dimensional observables, thus reducing computational effort and information loss. For the future, our approach lays the foundation for an efficient end-to-end pipeline that eliminates the need for many of the corrections and cuts that are traditionally part of the analysis chain, with the potential of achieving higher accuracy and significant reduction of analysis time.
format Preprint
id arxiv_https___arxiv_org_abs_2410_00755
institution arXiv
publishDate 2024
record_format arxiv
spellingShingle Model-independent searches of new physics in DARWIN with a semi-supervised deep learning pipeline
Aalbers, J.
Abe, K.
Adrover, M.
Maouloud, S. Ahmed
Althueser, L.
Amaral, D. W. P.
Andrieu, B.
Angelino, E.
Martin, D. Antón
Antunovic, B.
Aprile, E.
Babicz, M.
Bajpai, D.
Balzer, M.
Barberio, E.
Baudis, L.
Bazyk, M.
Bell, N. F.
Bellagamba, L.
Biondi, R.
Biondi, Y.
Bismark, A.
Boehm, C.
Boese, K.
Braun, R.
Breskin, A.
Brommer, S.
Brown, A.
Bruni, G.
Budnik, R.
Cai, C.
Capelli, C.
Chauvin, A.
Chavez, A. P. Cimental
Colijn, A. P.
Conrad, J.
Cuenca-García, J. J.
D'Andrea, V.
Garcia, L. C. Daniel
Decowski, M. P.
Deisting, A.
Di Donato, C.
Di Gangi, P.
Diglio, S.
Doerenkamp, M.
Drexlin, G.
Eitel, K.
Elykov, A.
Engel, R.
Ferella, A. D.
Ferrari, C.
Fischer, H.
Flehmke, T.
Flierman, M.
Fujikawa, K.
Fulgione, W.
Fuselli, C.
Gaemers, P.
Gaior, R.
Galloway, M.
Gao, F.
Garroum, N.
Giacomobono, R.
Girard, F.
Glade-Beucke, R.
Glück, F.
Grandi, L.
Grigat, J.
Größle, R.
Guan, H.
Guida, M.
Gyorgy, P.
Hammann, R.
Hannen, V.
Hansmann-Menzemer, S.
Hargittai, N.
Higuera, A.
Hils, C.
Hiraoka, K.
Hoetzsch, L.
Hoferichter, M.
Hood, N. F.
Iacovacci, M.
Itow, Y.
Jakob, J.
James, R. S.
Joerg, F.
Kahlert, F.
Kaminaga, Y.
Kara, M.
Kavrigin, P.
Kazama, S.
Keller, M.
Kharbanda, P.
Kilminster, B.
Kleifges, M.
Klute, M.
Kobayashi, M.
Koke, D.
Kopec, A.
von Krosigk, B.
Kuger, F.
LaCascio, L.
Landsman, H.
Lang, R. F.
Levinson, L.
Li, I.
Li, A.
Li, S.
Liang, S.
Liang, Z.
Lin, Y. -T.
Lindemann, S.
Lindner, M.
Liu, K.
Loizeau, J.
Lombardi, F.
Long, J.
Lopes, J. A. M.
Lucchetti, G. M.
Luce, T.
Ma, Y.
Macolino, C.
Mahlstedt, J.
Maier, B.
Mancuso, A.
Manenti, L.
Marignetti, F.
Undagoitia, T. Marrodán
Martens, K.
Masbou, J.
Masson, E.
Mastroianni, S.
Melchiorre, A.
Menéndez, J.
Messina, M.
Milosovic, B.
Milutinovic, S.
Miuchi, K.
Miyata, R.
Molinario, A.
Monteiro, C. M. B.
Morå, K.
Moriyama, S.
Morteau, E.
Mosbacher, Y.
Müller, J.
Murra, M.
Newstead, J. L.
Ni, K.
O'Hare, C.
Oberlack, U.
Obradovic, M.
Ostrowskiy, I.
Ouahada, S.
Paetsch, B.
Pan, Y.
Pandurovic, M.
Pellegrini, Q.
Peres, R.
Piastra, F.
Pienaar, J.
Pierre, M.
Plante, G.
Pollmann, T. R.
Principe, L.
Qi, J.
Qiao, K.
Qin, J.
Rajado, M.
García, D. Ramírez
Ravindran, A.
Razeto, A.
Sanchez, L.
Sanchez-Lucas, P.
Sartorelli, G.
Scaffidi, A.
Schreiner, J.
Schulte, P.
Eißing, H. Schulze
Schumann, M.
Schwenck, A.
Schwenk, A.
Lavina, L. Scotto
Selvi, M.
Semeria, F.
Shagin, P.
Sharma, S.
Shen, W.
Shi, S. Y.
Shimada, T.
Simgen, H.
Singh, R.
Solmaz, M.
Stanley, O.
Steidl, M.
Stevens, A.
Takeda, A.
Tan, P. -L.
Thers, D.
Thümmler, T.
Tönnies, F.
Toschi, F.
Trinchero, G.
Trotta, R.
Tunnell, C. D.
Urquijo, P.
Utoyama, M.
Valerius, K.
Vecchi, S.
Vetter, S.
Volta, G.
Vorkapic, D.
Wang, W.
Weerman, K. M.
Weinheimer, C.
Weiss, M.
Wenz, D.
Wilson, M.
Wittweg, C.
Wolf, J.
Wu, V. H. S.
Wüstling, S.
Wurm, M.
Xing, Y.
Xu, D.
Xu, Z.
Yamashita, M.
Yang, L.
Ye, J.
Yuan, L.
Zavattini, G.
Zhong, M.
Zuber, K.
Instrumentation and Detectors
We present a novel deep learning pipeline to perform a model-independent, likelihood-free search for anomalous (i.e., non-background) events in the proposed next generation multi-ton scale liquid Xenon-based direct detection experiment, DARWIN. We train an anomaly detector comprising a variational autoencoder and a classifier on extensive, high-dimensional simulated detector response data and construct a one-dimensional anomaly score optimised to reject the background only hypothesis in the presence of an excess of non-background-like events. We benchmark the procedure with a sensitivity study that determines its power to reject the background-only hypothesis in the presence of an injected WIMP dark matter signal, outperforming the classical, likelihood-based background rejection test. We show that our neural networks learn relevant energy features of the events from low-level, high-dimensional detector outputs, without the need to compress this data into lower-dimensional observables, thus reducing computational effort and information loss. For the future, our approach lays the foundation for an efficient end-to-end pipeline that eliminates the need for many of the corrections and cuts that are traditionally part of the analysis chain, with the potential of achieving higher accuracy and significant reduction of analysis time.
title Model-independent searches of new physics in DARWIN with a semi-supervised deep learning pipeline
topic Instrumentation and Detectors
url https://arxiv.org/abs/2410.00755

Documenti analoghi