Neural Bayesian Online Calibration with Deficient Simulators for MADMAX Dark Matter Experiment
Dieses Paper führt ein neuronales Bayes-Online-Kalibrierungsframework ein, das Präkalibrationsdaten und Normalizing Flows nutzt, um Hardware-Einstellungen zu optimieren und latente wissenschaftliche Größen für Experimente mit unzureichenden Simulatoren zu inferieren, wobei die Anwendung auf die Kalibrierung des Disk-Booster-Simulators des MADMAX-Dunkle-Materie-Experiments und die Inferenz des Axion-Signal-Boost-Faktors der Leistung demonstriert wird.