本文介绍机器学习和深度学习在高能物理数据分析中的应用,包括神经网络核心概念、LHC 数据分析的关键结果以及未来的前景和担忧。
Jun, 2018
本文使用深度神经网络进行图像分类,无需专家特征即可区分大型强子对撞机数据中的单一强子粒子喷注和多重粒子喷注,效果与现有分析方法相当或略优。
Mar, 2016
采用基于深度学习技术的机器学习算法识别高增强度 W 玻色子,该算法优于传统的物理学特征驱动算法,通过可视化训练过程,可以获得附加信息以提高性能,加深对逐渐深入了解喷注中的物理以及新粒子和新力的敏感性的物理学特征驱动工具和监督学习算法之间的相互作用的普遍性。
Nov, 2015
介绍现代机器学习在粒子物理领域的应用,重点关注大型强子对撞机中的信号 / 背景识别任务,包括使用监督学习和直接数据驱动方法等。文末还讨论了该领域存在的挑战和未来发展方向。
Mar, 2021
粒子物理学中使用机器学习进行异常检测的最新技术进行综述,讨论了在大型复杂数据集中进行异常检测的挑战,并强调了在粒子物理实验中异常检测的成功应用。
Dec, 2023
本文讨论机器学习在粒子物理学研究中的应用前景和可行性,并详述实现机器学习在粒子物理学上开发所需的软硬资源、与数据科学社区、学术界和产业界的合作倡议以及对粒子物理学界在数据科学培训上进行的工作。旨在将研究和开发与物理驱动器连接起来,并确定实现它们的资源需求,以及其他社区的合作领域。
Jul, 2018
本研究探讨了在高能物理学中使用深度学习的优势,以及将其与传统工作流程相结合可能带来的潜在问题。我们提出了一种 AI 安全的概念来控制可能存在的未被考虑的不确定因素,并希望引起学界对将深度学习应用于实验分析的讨论。
Oct, 2019
深度学习在高能物理实验和现象学研究中的应用进行了综合评估,调查了多种深度学习方法在高能物理图像领域的应用,包括数据集、预处理技术、特征提取和选择方法等方面,并详细讨论了其在高能物理研究中的应用及挑战和未来研究方向。
Mar, 2024
研究了一种新的机器学习分类器结构,包含来自物理参数的输入,参数化分类器可以平滑地插值并替换在个体值上训练的分类器集,并且可以优化插值结果。
Jan, 2016
探索机器学习技术用于鉴别和分类高洛伦兹促进 W/Z/ 希格斯玻色子和顶夸克的强子衰变,评估了不使用机器学习的技术,并在模拟事件中表征了各种算法的鉴别性能,并直接与数据进行比较。
Apr, 2020