Optimization of spherical proportional counter backgrounds and response for low mass dark matter search
Bibliographic record
Abstract
Optimisation du bruit de fond et de la réponse des détecteurs sphériques à gaz pour la recherche de matière noire légère Les compteurs proportionnels sphériques sont utilisés pour la recherche de matière noire par la collaboration NEWS-G depuis 2013 avec le détecteur SEDINE installé au Laboratoire Souterrain de Modane. Ce premier détecteur a permis d'établir une nouvelle limite de la section efficace d'interaction WIMP-nucléon pour des WIMPs de masse inférieur à 0.6 GeV/c². Depuis, la collaboration travail à la mise au point d'un nouveau détecteur. Cette thèse se concentre sur deux aspects améliorés pour le second détecteur. L'étude du bruit de fond observé par SEDINE a permis de conclure que celui-ci est dominé par le présence de la chaine de désintégration du Pb²¹⁰ sur les surfaces et dans le matériaux composant le détecteur et son blindage. Ceci a permis de sélectionner des matériaux et des procédés de fabrication permettant de réduire le bruit de fond du prochain détecteur. Le second développement concerne l'anode du détecteur. Placée au centre de la sphère, l'anode assure la formation du signal. Les derniers développements montrent la capacité de ce composant à assurer la détection d'électrons uniques en étant stable et avec une bonne résolution.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".