Learning Astrophysical Uncertainties in Dark Matter Direct Detection with Simulation-Based Inference
本文提出了一项概念验证研究，证明了神经比率估计（NRE）能够通过多模型训练隐式地对天体物理不确定性进行边缘化处理，从而有效地推断出如 XENONnT 等直接探测实验中的 WIMP 参数，为传统的剖面似然法提供了一种可扩展且稳健的替代方案。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在深邃的宇宙中，大部分物质并不是我们能用普通工具看见、触摸或测量的那些东西。它是隐形的，仅通过其对恒星和星系的引力作用而被感知。科学家称之为暗物质，虽然我们知道它占据了存在之物的约四分之一，但我们对其构成成分一无所知。一种领先的假说认为，它由沉重且移动缓慢的粒子组成，这些粒子极少与普通物质发生碰撞。如果这些粒子确实存在，它们偶尔会撞击地球上探测器内的原子核，产生微弱的光闪烁和微小的电信号。发现这种微弱信号将是一项里程碑式的发现，它将揭示暗宇宙的真实本质。
挑战在于，这些信号极其罕见，且极易与来自自然放射性或其他宇宙射线的背景噪声相混淆。为了寻找它们，科学家使用巨大的液氙罐，将其冷却至接近绝对零度，并埋藏在地下深处，以屏蔽来自宇宙的干扰。当一个暗物质粒子撞击氙原子时，会产生两种截然不同的信号：一次光闪烁和一次电子爆发。通过测量这两种信号之间的比例，研究人员可以判断该事件是由暗物质粒子还是由常见的背景粒子引起的。然而，这些信号的确切模式取决于暗物质粒子在穿过我们的星系时移动的速度。这个速度并不能被完全确定地掌握，且关于星系结构的各种不同假设都会改变信号的表现形式。
在一项新的研究中，来自德国卡尔斯鲁厄理工学院的研究员费利克斯·卡尔霍费尔（Felix Kahlhoefer）和尼拉斯·雷斯（Niklas Reus）开发了一种巧妙的方法来处理这种不确定性。他们没有尝试计算复杂的数学公式来解释星系结构的所有可能变化，而是使用了一种称为“基于模拟的推断”（simulation-based inference）的方法。他们构建了一个计算机程序，通过学习数百万个模拟示例，学会了识别暗物质信号与背景噪声之间的区别。在这些模拟中，计算机被展示了在多种不同暗物质粒子运动速度假设下生成的数据。通过在如此广泛多样的场景中进行训练，计算机学会了忽略星系运动的具体细节，转而专注于指示暗物质撞击的核心特征。
研究人员使用 XENONnT 实验的模型测试了这种方法，该实验是目前运行中最灵敏的暗物质探测器之一。他们创建了一个探测器的数字孪生体，模拟了探测器对不同质量和相互作用强度的暗物质粒子的反应。随后，他们训练了一个神经网络（一种人工智能类型）来充当分类器。该网络被展示成对的数据：一组包含暗物质信号，另一组则不含暗密物质信号。目标是让网络学习一种规则来区分两者，从而有效地计算出特定观测结果来自暗物质源而非随机噪声的可能性。
这种方法的卓越之处在于它如何处理暗物质粒子未知的速度问题。在传统分析中，科学家通常不得不将这些粒子的速度固定为一个单一的标准值，如果该值错误，可能会导致误差。在这一新方法中，研究人员只是在训练数据中包含了许多不同的速度模型。计算机学会了将速度视为一个可以在合理范围内变化的变量。因此，当网络做出预测时，它已经考虑了所有这些不同的可能性。关于星系结构的不确定性被有效地平均化了，从而在不需要为每一条新数据进行额外计算的情况下，得出了关于暗物质本身的清晰答案。
研究表明，这种方法效果显著。当研究人员在模拟数据上测试训练好的网络时，它产生的结果与该领域最成熟统计方法的预期相符。即使在数据具有噪声或底层星系假设与标准模型非常不同时，该网络仍成功识别出了暗物质粒子的正确质量和相互作用强度。事实上，该网络的表现如此出色，以至于它能够处理标准假设完全错误的极端情况，并依然产生可靠的结果。这表明该方法具有鲁棒性，并且比旧技术更能适应混乱的宇宙现实。
或许最重要的一点是，研究人员证明了这种方法可以轻松扩展。随着实验变得更加灵敏并深入探测“中微子雾”（即最终会掩盖暗物质信号的太阳中微子背景），对复杂不确定性的处理需求也会日益增长。传统方法在面对这种情况时会显得吃力，需要大量的计算能力来为每一个新变量重新运行计算。然而，基于模拟的方法在训练阶段就处理了这种复杂性。一旦网络训练完成，无论在训练中包含了多少种天体物理模型，它都能瞬间分析新数据。这使其成为下一代暗物质搜寻工作中实用且高效的工具。
研究结果证实，人工智能可以成为暗物质搜寻过程中的重要伙伴，它并非取代人类的理解，而是通过处理复杂的统计工作来协助人类。通过从庞大的模拟宇宙库中学习，计算机可以以媲美人类设计的最优方法，在噪声中精准捕捉信号。这并不意味着暗物质已经被发现；目前尚未观察到此类信号。但这确实意味着，当下一个实验启动时，科学家们将拥有一个更敏锐、更灵活的工具来解读数据，准备好在星系行为超出预期的情况下，将真正的发现与光影的幻象区分开来。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。