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 developed a detector signal characterization model based on a Bayesian network trained on the waveform attributes generated by a dual-phase xenon time projection chamber. By performing inference on the model, we produced a quantitative metric of signal characterization and demonstrate that this metric can be used to determine whether a detector signal is sourced from a scintillation or an ionization process. We describe the method and its performance on electronic-recoil (ER) data taken during the first science run of the XENONnT dark matter experiment. We demonstrate the first use of a Bayesian network in a waveform-based analysis of detector signals. This method resulted in a 3% increase in ER event-selection efficiency with a simultaneously effective rejection of events outside of the region of interest. The findings of this analysis are consistent with the previous analysis from XENONnT, namely a background-only fit of the ER data.
Detector signal characterization with a Bayesian network in XENONnT / Aprile, E.; Abe, K.; Ahmed Maouloud, S.; Althueser, L.; Andrieu, B.; Angelino, E.; Angevaare, J. R.; Antochi, V. C.; Antón Martin, D.; Arneodo, F.; Baudis, L.; Baxter, A. L.; Bazyk, M.; Bellagamba, L.; Biondi, R.; Bismark, A.; Brookes, E. J.; Brown, A.; Bruenner, S.; Bruno, G.; Budnik, R.; Bui, T. K.; Cai, C.; Cardoso, J. M. R.; Cichon, D.; Cimental Chavez, A. P.; Colijn, A. P.; Conrad, J.; Cuenca-García, J. J.; Cussonneau, J. P.; D'Andrea, V.; Decowski, M. P.; Di Gangi, P.; Di Pede, S.; Diglio, S.; Eitel, K.; Elykov, A.; Farrell, S.; Ferella, A. D.; Ferrari, C.; Fischer, H.; Flierman, M.; Fulgione, W.; Fuselli, C.; Gaemers, P.; Gaior, R.; Gallo Rosso, A.; Galloway, M.; Gao, F.; Glade-Beucke, R.; Grandi, L.; Grigat, J.; Guan, H.; Guida, M.; Hammann, R.; Higuera, A.; Hils, C.; Hoetzsch, L.; Hood, N. F.; Howlett, J.; Iacovacci, M.; Itow, Y.; Jakob, J.; Joerg, F.; Joy, A.; Kato, N.; Kara, M.; Kavrigin, P.; Kazama, S.; Kobayashi, M.; Koltman, G.; Kopec, A.; Kuger, F.; Landsman, H.; Lang, R. F.; Levinson, L.; Li, I.; Li, S.; Liang, S.; Lindemann, S.; Lindner, M.; Liu, K.; Loizeau, J.; Lombardi, F.; Long, J.; Lopes, J. A. M.; Ma, Y.; Macolino, C.; Mahlstedt, J.; Mancuso, A.; Manenti, L.; Marignetti, F.; Marrodán Undagoitia, T.; Martens, K.; Masbou, J.; Masson, D.; Masson, E.; Mastroianni, S.; Messina, M.; Miuchi, K.; Mizukoshi, K.; Molinario, A.; Moriyama, S.; Morå, K.; Mosbacher, Y.; Murra, M.; Müller, J.; Ni, K.; Oberlack, U.; Paetsch, B.; Palacio, J.; Pellegrini, Q.; Peres, R.; Peters, C.; Pienaar, J.; Pierre, M.; Pizzella, V.; Plante, G.; Pollmann, T. R.; Qi, J.; Qin, J.; Ramírez García, D.; Singh, R.; Sanchez, L.; dos Santos, J. M. F.; Sarnoff, I.; Sartorelli, G.; Schreiner, J.; Schulte, D.; Schulte, P.; Schulze Eißing, H.; Schumann, M.; Scotto Lavina, L.; Selvi, M.; Semeria, F.; Shagin, P.; Shi, S.; Shockley, E.; Silva, M.; Simgen, H.; Takeda, A.; Tan, P. -L.; Terliuk, A.; Thers, D.; Toschi, F.; Trinchero, G.; Tunnell, C.; Tönnies, F.; Valerius, K.; Volta, G.; Weinheimer, C.; Weiss, M.; Wenz, D.; Wittweg, C.; Wolf, T.; Wu, V. H. S.; Xing, Y.; Xu, D.; Xu, Z.; Yamashita, M.; Yang, L.; Ye, J.; Yuan, L.; Zavattini, G.; Zhong, M.; Zhu, T.; Null, Null. - In: PHYSICAL REVIEW D. - ISSN 2470-0010. - 108:1(2023). [10.1103/physrevd.108.012016]
Detector signal characterization with a Bayesian network in XENONnT
Aprile, E.;Abe, K.;Ahmed Maouloud, S.;Althueser, L.;Andrieu, B.;Angelino, E.;Angevaare, J. R.;Antochi, V. C.;Antón Martin, D.;Arneodo, F.;Baudis, L.;Baxter, A. L.;Bazyk, M.;Bellagamba, L.;Biondi, R.;Bismark, A.;Brookes, E. J.;Brown, A.;Bruenner, S.;Bruno, G.;Budnik, R.;Bui, T. K.;Cai, C.;Cardoso, J. M. R.;Cichon, D.;Cimental Chavez, A. P.;Colijn, A. P.;Conrad, J.;Cuenca-García, J. J.;Cussonneau, J. P.;D'Andrea, V.;Decowski, M. P.;Di Gangi, P.;Di Pede, S.;Diglio, S.;Eitel, K.;Elykov, A.;Farrell, S.;Ferella, A. D.;Ferrari, C.;Fischer, H.;Flierman, M.;Fulgione, W.;Fuselli, C.;Gaemers, P.;Gaior, R.;Gallo Rosso, A.;Galloway, M.;Gao, F.;Glade-Beucke, R.;Grandi, L.;Grigat, J.;Guan, H.;Guida, M.;Hammann, R.;Higuera, A.;Hils, C.;Hoetzsch, L.;Hood, N. F.;Howlett, J.;Iacovacci, M.;Itow, Y.;Jakob, J.;Joerg, F.;Joy, A.;Kato, N.;Kara, M.;Kavrigin, P.;Kazama, S.;Kobayashi, M.;Koltman, G.;Kopec, A.;Kuger, F.;Landsman, H.;Lang, R. F.;Levinson, L.;Li, I.;Li, S.;Liang, S.;Lindemann, S.;Lindner, M.;Liu, K.;Loizeau, J.;Lombardi, F.;Long, J.;Lopes, J. A. M.;Ma, Y.;Macolino, C.;Mahlstedt, J.;Mancuso, A.;Manenti, L.;Marignetti, F.;Marrodán Undagoitia, T.;Martens, K.;Masbou, J.;Masson, D.;Masson, E.;Mastroianni, S.;Messina, M.;Miuchi, K.;Mizukoshi, K.;Molinario, A.;Moriyama, S.;Morå, K.;Mosbacher, Y.;Murra, M.;Müller, J.;Ni, K.;Oberlack, U.;Paetsch, B.;Palacio, J.;Pellegrini, Q.;Peres, R.;Peters, C.;Pienaar, J.;Pierre, M.;Pizzella, V.;Plante, G.;Pollmann, T. R.;Qi, J.;Qin, J.;Ramírez García, D.;Singh, R.;Sanchez, L.;dos Santos, J. M. F.;Sarnoff, I.;Sartorelli, G.;Schreiner, J.;Schulte, D.;Schulte, P.;Schulze Eißing, H.;Schumann, M.;Scotto Lavina, L.;Selvi, M.;Semeria, F.;Shagin, P.;Shi, S.;Shockley, E.;Silva, M.;Simgen, H.;Takeda, A.;Tan, P. -L.;Terliuk, A.;Thers, D.;Toschi, F.;Trinchero, G.;Tunnell, C.;Tönnies, F.;Valerius, K.;Volta, G.;Weinheimer, C.;Weiss, M.;Wenz, D.;Wittweg, C.;Wolf, T.;Wu, V. H. S.;Xing, Y.;Xu, D.;Xu, Z.;Yamashita, M.;Yang, L.;Ye, J.;Yuan, L.;Zavattini, G.;Zhong, M.;Zhu, T.;null, null
2023
Abstract
We developed a detector signal characterization model based on a Bayesian network trained on the waveform attributes generated by a dual-phase xenon time projection chamber. By performing inference on the model, we produced a quantitative metric of signal characterization and demonstrate that this metric can be used to determine whether a detector signal is sourced from a scintillation or an ionization process. We describe the method and its performance on electronic-recoil (ER) data taken during the first science run of the XENONnT dark matter experiment. We demonstrate the first use of a Bayesian network in a waveform-based analysis of detector signals. This method resulted in a 3% increase in ER event-selection efficiency with a simultaneously effective rejection of events outside of the region of interest. The findings of this analysis are consistent with the previous analysis from XENONnT, namely a background-only fit of the ER data.
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/11588/986595
Citazioni
ND
1
2
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.