Attenzione: i dati modificati non sono ancora stati salvati. Per confermare inserimenti o cancellazioni di voci è necessario confermare con il tasto SALVA/INSERISCI in fondo alla pagina
IRIS
We present a novel approach for the search of dark matter in the DarkSide-50 experiment, relying on Bayesian Networks. This method incorporates the detector response model into the likelihood function, explicitly maintaining the connection with the quantity of interest. No assumptions about the linearity of the problem or the shape of the probability distribution functions are required, and there is no need to morph signal and background spectra as a function of nuisance parameters. By expressing the problem in terms of Bayesian Networks, we have developed an inference algorithm based on a Markov Chain Monte Carlo to calculate the posterior probability. A clever description of the detector response model in terms of parametric matrices allows us to study the impact of systematic variations of any parameter on the final results. Our approach not only provides the desired information on the parameter of interest, but also potential constraints on the response model. Our results are consistent with recent published analyses and further refine the parameters of the detector response model.
Search for low mass dark matter in DarkSide-50: the bayesian network approach / Agnes, P.; Albuquerque, I. F. M.; Alexander, T.; Alton, A. K.; Ave, M.; Back, H. O.; Batignani, G.; Biery, K.; Bocci, V.; Bonivento, W. M.; Bottino, B.; Bussino, S.; Cadeddu, M.; Cadoni, M.; Calaprice, F.; Caminata, A.; Campos, M. D.; Canci, N.; Caravati, M.; Cargioli, N.; Cariello, M.; Carlini, M.; Cataudella, V.; Cavalcante, P.; Cavuoti, S.; Chashin, S.; Chepurnov, A.; Cicalo, C.; Covone, G.; D'Angelo, D.; Davini, S.; De Candia, A.; De Cecco, S.; De Filippis, G.; De Rosa, G.; Derbin, A. V.; Devoto, A.; D'Incecco, M.; Dionisi, C.; Dordei, F.; Downing, M.; D'Urso, D.; Fairbairn, M.; Fiorillo, G.; Franco, D.; Gabriele, F.; Galbiati, C.; Ghiano, C.; Giganti, C.; Giovanetti, G. K.; Goretti, A. M.; Grilli di Cortona, G.; Grobov, A.; Gromov, M.; Guan, M.; Gulino, M.; Hackett, B. R.; Herner, K.; Hessel, T.; Hosseini, B.; Hubaut, F.; Hungerford, E. V.; Ianni, A.; Ippolito, V.; Keeter, K.; Kendziora, C. L.; Kimura, M.; Kochanek, I.; Korablev, D.; Korga, G.; Kubankin, A.; Kuss, M.; La Commara, M.; Lai, M.; Li, X.; Lissia, M.; Longo, G.; Lychagina, O.; Machulin, I. N.; Mapelli, L. P.; Mari, S. M.; Maricic, J.; Messina, A.; Milincic, R.; Monroe, J.; Morrocchi, M.; Mougeot, X.; Muratova, V. N.; Musico, P.; Nozdrina, A. O.; Oleinik, A.; Ortica, F.; Pagani, L.; Pallavicini, M.; Pandola, L.; Pantic, E.; Paoloni, E.; Pelczar, K.; Pelliccia, N.; Piacentini, S.; Pocar, A.; Poehlmann, D. M.; Pordes, S.; Poudel, S. S.; Pralavorio, P.; Price, D. D.; Ragusa, F.; Razeti, M.; Razeto, A.; Renshaw, A. L.; Rescigno, M.; Rode, J.; Romani, A.; Sablone, D.; Samoylov, O.; Sandford, E.; Sands, W.; Sanfilippo, S.; Savarese, C.; Schlitzer, B.; Semenov, D. A.; Shchagin, A.; Sheshukov, A.; Skorokhvatov, M. D.; Smirnov, O.; Sotnikov, A.; Stracka, S.; Suvorov, Y.; Tartaglia, R.; Testera, G.; Tonazzo, A.; Unzhakov, E. V.; Vishneva, A.; Vogelaar, R. B.; Wada, M.; Wang, H.; Wang, Y.; Westerdale, S.; Wojcik, M. M.; Xiao, X.; Yang, C.; Zuzel, G.. - In: THE EUROPEAN PHYSICAL JOURNAL. C, PARTICLES AND FIELDS. - ISSN 1434-6044. - 83:4(2023). [10.1140/epjc/s10052-023-11410-4]
Search for low mass dark matter in DarkSide-50: the bayesian network approach
Agnes P.;Albuquerque I. F. M.;Alexander T.;Alton A. K.;Ave M.;Back H. O.;Batignani G.;Biery K.;Bocci V.;Bonivento W. M.;Bottino B.;Bussino S.;Cadeddu M.;Cadoni M.;Calaprice F.;Caminata A.;Campos M. D.;Canci N.;Caravati M.;Cargioli N.;Cariello M.;Carlini M.;Cataudella V.;Cavalcante P.;Cavuoti S.;Chashin S.;Chepurnov A.;Cicalo C.;Covone G.;D'Angelo D.;Davini S.;De Candia A.;De Cecco S.;De Filippis G.;De Rosa G.;Derbin A. V.;Devoto A.;D'Incecco M.;Dionisi C.;Dordei F.;Downing M.;D'Urso D.;Fairbairn M.;Fiorillo G.;Franco D.;Gabriele F.;Galbiati C.;Ghiano C.;Giganti C.;Giovanetti G. K.;Goretti A. M.;Grilli di Cortona G.;Grobov A.;Gromov M.;Guan M.;Gulino M.;Hackett B. R.;Herner K.;Hessel T.;Hosseini B.;Hubaut F.;Hungerford E. V.;Ianni A.;Ippolito V.;Keeter K.;Kendziora C. L.;Kimura M.;Kochanek I.;Korablev D.;Korga G.;Kubankin A.;Kuss M.;La Commara M.;Lai M.;Li X.;Lissia M.;Longo G.;Lychagina O.;Machulin I. N.;Mapelli L. P.;Mari S. M.;Maricic J.;Messina A.;Milincic R.;Monroe J.;Morrocchi M.;Mougeot X.;Muratova V. N.;Musico P.;Nozdrina A. O.;Oleinik A.;Ortica F.;Pagani L.;Pallavicini M.;Pandola L.;Pantic E.;Paoloni E.;Pelczar K.;Pelliccia N.;Piacentini S.;Pocar A.;Poehlmann D. M.;Pordes S.;Poudel S. S.;Pralavorio P.;Price D. D.;Ragusa F.;Razeti M.;Razeto A.;Renshaw A. L.;Rescigno M.;Rode J.;Romani A.;Sablone D.;Samoylov O.;Sandford E.;Sands W.;Sanfilippo S.;Savarese C.;Schlitzer B.;Semenov D. A.;Shchagin A.;Sheshukov A.;Skorokhvatov M. D.;Smirnov O.;Sotnikov A.;Stracka S.;Suvorov Y.;Tartaglia R.;Testera G.;Tonazzo A.;Unzhakov E. V.;Vishneva A.;Vogelaar R. B.;Wada M.;Wang H.;Wang Y.;Westerdale S.;Wojcik M. M.;Xiao X.;Yang C.;Zuzel G.
2023
Abstract
We present a novel approach for the search of dark matter in the DarkSide-50 experiment, relying on Bayesian Networks. This method incorporates the detector response model into the likelihood function, explicitly maintaining the connection with the quantity of interest. No assumptions about the linearity of the problem or the shape of the probability distribution functions are required, and there is no need to morph signal and background spectra as a function of nuisance parameters. By expressing the problem in terms of Bayesian Networks, we have developed an inference algorithm based on a Markov Chain Monte Carlo to calculate the posterior probability. A clever description of the detector response model in terms of parametric matrices allows us to study the impact of systematic variations of any parameter on the final results. Our approach not only provides the desired information on the parameter of interest, but also potential constraints on the response model. Our results are consistent with recent published analyses and further refine the parameters of the detector response model.
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11588/935211
Citazioni
ND
8
6
social impact
Conferma cancellazione
Sei sicuro che questo prodotto debba essere cancellato?
simulazione ASN
Il report seguente simula gli indicatori relativi alla propria produzione scientifica in relazione alle soglie ASN 2023-2025 del proprio SC/SSD. Si ricorda che il superamento dei valori soglia (almeno 2 su 3) è requisito necessario ma non sufficiente al conseguimento dell'abilitazione. La simulazione si basa sui dati IRIS e sugli indicatori bibliometrici alla data indicata e non tiene conto di eventuali periodi di congedo obbligatorio, che in sede di domanda ASN danno diritto a incrementi percentuali dei valori. La simulazione può differire dall'esito di un’eventuale domanda ASN sia per errori di catalogazione e/o dati mancanti in IRIS, sia per la variabilità dei dati bibliometrici nel tempo. Si consideri che Anvur calcola i valori degli indicatori all'ultima data utile per la presentazione delle domande.
La presente simulazione è stata realizzata sulla base delle specifiche raccolte sul tavolo ER del Focus Group IRIS coordinato dall’Università di Modena e Reggio Emilia e delle regole riportate nel DM 589/2018 e allegata Tabella A. Cineca, l’Università di Modena e Reggio Emilia e il Focus Group IRIS non si assumono alcuna responsabilità in merito all’uso che il diretto interessato o terzi faranno della simulazione. Si specifica inoltre che la simulazione contiene calcoli effettuati con dati e algoritmi di pubblico dominio e deve quindi essere considerata come un mero ausilio al calcolo svolgibile manualmente o con strumenti equivalenti.
