معرفی شرکت ها
dmdd-0.2
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
Enables simple simulation and Bayesian posterior analysis of recoil-event data from dark-matter direct-detection experiments under a wide variety of scattering theories.
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | dmdd-0.2 |
| نام | dmdd |
| نسخه کتابخانه | 0.2 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | V. Gluscevic, S. D. McDermott |
| ایمیل نویسنده | verag@ias.edu |
| آدرس صفحه اصلی | https://github.com/veragluscevic/dmdd_2014 |
| آدرس اینترنتی | https://pypi.org/project/dmdd/ |
| مجوز | UNKNOWN |
dmdd
=========
A python package that enables simple simulation and Bayesian posterior analysis
of nuclear-recoil data from dark matter direct detection experiments
for a wide variety of theories of dark matter-nucleon interactions.
``dmdd`` has the following features:
* Calculation of the nuclear-recoil rates for various non-standard momentum-, velocity-, and spin-dependent scattering models.
* Calculation of the appropriate nuclear response functions triggered by the chosen scattering model.
* Inclusion of natural abundances of isotopes for a variety of target elements: Xe, Ge, Ar, F, I, Na.
* Simple simulation of data (where data is a list of nuclear recoil energies, including Poisson noise) under different models.
* Bayesian analysis (parameter estimation and model selection) of data using ``MultiNest``.
All rate and response functions directly implement the calculations of `Anand et al. (2013) <http://arxiv.org/abs/1308.6288>`_ and `Fitzpatrick et al. (2013) <https://inspirehep.net/record/1094068?ln=en>`_ (for non-relativistic operators, in ``rate_genNR`` and ``rate_NR``), and `Gresham & Zurek (2014) <http://arxiv.org/abs/1401.3739>`_ (for UV-motivated scattering models in ``rate_UV``). Simulations follow the prescription from `Gluscevic & Peter (2014) <http://adsabs.harvard.edu/abs/2014JCAP...09..040G>`_ and `Gluscevic et al. (2015) <http://arxiv.org/abs/1506.04454>`_.
Dependencies
------------
All of the package dependencies (listed below) are contained within the `Anaconda python distribution <http://continuum.io/downloads>`_, except for ``MultiNest`` and ``PyMultinest``.
For simulations, you will need:
* basic python scientific packages (``numpy``, ``scipy``, ``matplotlib``)
* ``cython``
To do posterior analysis, you will also need:
* ``MultiNest``
* ``PyMultiNest``
To install these two, follow the instructions `here <http://astrobetter.com/wiki/MultiNest+Installation+Notes>`_.
Installation
------------
Install ``dmdd`` either using pip::
pip install dmdd
or by cloning the repository::
git clone https://github.com/veragluscevic/dmdd.git
cd dmdd
python setup.py install
Note that if you do not set the ``DMDD_MAIN_PATH`` environment variable, then importing ``dmdd`` will create ``~/.dmdd`` and use that location to store simulations and posterior samples.
Usage
------
For a quick tour of usage, check out the `tutorial notebook <https://github.com/veragluscevic/dmdd/blob/master/dmdd_tutorial.ipynb>`_; for more complete documentation, `read the docs <http://dmdd.rtfd.org>`_; and for the most important formulas and definitions regarding the ``rate_NR`` and ``rate_genNR`` modules, see also `here <https://github.com/veragluscevic/dmdd/blob/master/rate_calculators.pdf>`_.
Attribution
-----------
This package was originally developed for `Gluscevic et al (2015) <http://arxiv.org/abs/1506.04454>`_. If you use this code in your research, please cite `this ASCL reference <http://ascl.net/code/search/dmdd>`_, and the following publications: `Gluscevic et al (2015) <http://arxiv.org/abs/1506.04454>`_, `Anand et al. (2013) <http://arxiv.org/abs/1308.6288>`_, `Fitzpatrick et al. (2013) <https://inspirehep.net/record/1094068?ln=en>`_, and `Gresham & Zurek (2014) <http://arxiv.org/abs/1401.3739>`_.
نحوه نصب
نصب پکیج whl dmdd-0.2:
pip install dmdd-0.2.whl
نصب پکیج tar.gz dmdd-0.2:
pip install dmdd-0.2.tar.gz