Sep, 2017

大型强子对撞机上的喷注结构：理论和机器学习的最新进展综述

PDF
TL;DR本文综述了关于 Jet substructure 在大型强子对撞机的最新理论和机器学习进展，旨在成为物理原理的教育性介绍 和专家的全面参考，重点涵盖 Jet substructure observables 的计算、新 observable 的开发和 cutting edge 的机器学习技术。
jet substructurelarge hadron collidermachine learningobservablesphysics
发现论文，激发创造
  • 大型强子对撞机上的喷注次级结构：实验述评

    本综述回顾了 ATLAS 和 CMS 实验使用最先进的喷注子结构技术的发展历程，为在大型强子对撞机中寻找新物理、探索标准模型特别是相空间极端区域提供了许多创新方法。

    Mar, 2018

  • Tevatron 和 LHC 的喷注次级结构：新结果、新工具、新基准

    本文回顾了 Tevatron 和 LHC 中喷注亚结构的最新理论进展和实验结果，阐述了计算和模拟工具的现状和前景，重点讨论了称为 “顶标记器” 的变量和修整方法组合的一组基准比较，并尝试收集、协调和发布这些技术的软件实现，以促进进一步的探索。

    Dec, 2011

  • 利用深度神经网络进行高能物理中的喷注细分分类

    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

  • 利用 CMS 开放数据进行喷注次级结构研究

    使用 CMS 实验的公共数据，通过软簇群分解技术以及 CMS 的质子簇流重建算法，研究了喷注的 2 节枝亚结构，结果表明，在 CMS Open Data 与粒子发生器得到的结果之间存在较好的一致性。

    Apr, 2017

  • 探索喷注次级结构理解

    本文讨论了喷注细观结构、修剪、细枝修剪、质量降落标记等问题，并提出了一些修正方法和表现。

    Jun, 2013

  • Jet-Images -- 深度学习版本

    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

  • 深度学习及其在 LHC 物理中的应用

    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

  • 用图网络在隆德平面中识别喷注

    本文章介绍了基于图形神经网络和喷注内部辐射模式的高效描述的 LundNet，它可以最佳地分离受到提升的对象的特征和背景事件的签名，并在多个基准测试中展示了与现有最先进算法相比显着提高的性能。

    Dec, 2020

  • 机器学习推断强透镜中的子暗物质结构统计特性

    本文介绍了如何利用重力透镜系统中弱摄动的扰动来推测暗物质亚结构的存在与性质，并给出了基于相关参数进行 相关概率比率实验数据的仿真分析结果。

    Sep, 2019

  • 高能物理社区机器学习白皮书

    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