Discrimination d'événements par analyse des signaux enregistrés par le projet PICASSO
Bibliographic record
Abstract
La matière sombre est un mystère dans le domaine de l’astrophysique depuis déjà plusieurs années. De nombreuses observations montrent que jusqu’à 85 % de la masse gravitationnelle\ntotale de l’univers serait composée de cette matière de nature inconnue.\nUne théorie expliquant cette masse manquante considérerait les WIMPs (Weakly Interacting\nMassive Particles), particules stables, non chargées, prédites par des extensions\ndu modèle standard, comme candidats.\nLe projet PICASSO (Projet d’Identification des CAndidats Supersymétriques à la\nmatière Sombre) est une expérience qui tente de détecter directement le WIMP. Le projet\nutilise des détecteurs à gouttelettes de fréon (C4F10) surchauffées. La collision entre un\nWIMP et le noyau de fluor crée un recul nucléaire qui cause à son tour une transition de\nphase de la gouttelette liquide à une bulle gazeuse. Le bruit de ce phénomène est alors\ncapté par des senseurs piézoélectriques montés sur les parois des détecteurs.\nLe WIMP n’est cependant pas la seule particule pouvant causer une telle transition\nde phase. D’autres particules environnantes peuvent former des bulles, telles les particules\nalpha où même des rayons gamma . Le système d’acquisition de données (DAQ) est aussi\nen proie à du bruit électronique qui peut être enregistré, ainsi que sensible à du bruit\nacoustique extérieur au détecteur. Finalement, des fractures dans le polymère qui tient\nles gouttelettes en place peut également causer des transitions de phase spontanées.\nIl faut donc minimiser l’impact de tous ces différents bruit de fond. La pureté du\nmatériel utilisé dans la fabrication des détecteurs devient alors très importante. On fait\naussi appel à des méthodes qui impliquent l’utilisation de variables de discrimination\ndéveloppées dans le but d’améliorer les limites d’exclusion de détection du WIMP.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.003 |
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".