深度学习及其在 LHC 物理中的应用
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
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
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
本文介绍如何应用张量网络作为量子启发机器学习技术,有效地分类来自 CERN 的大型强子对撞机数据,特别是分类所谓的 b - 喷注,并解释分类结果。同时,还认为张量网络在学习过程中根据所获取到的信息选择重要的特征并调整网络结构,在不需要重复学习过程的情况下实现精密分类或快速响应。这些结果为实现高频率实时应用奠定了基础,这是目前和未来 LHCb 事件分类的关键之一,能够触发每秒数千万个事件。
Apr, 2020
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
本文综述了机器学习和物理科学之间的接口,包括机器学习的基本概念,如何用统计物理学理解机器学习方法,机器学习方法在粒子物理学、宇宙学、量子物理学、量子计算和化学、材料物理学中的应用,以及加速机器学习的新型计算架构的研究和开发。
Mar, 2019
这篇论文研究了使用深度神经网络和贝叶斯优化算法来提高通过 Large Hamron Collider 探测到的希格斯玻色子挑战 5σ 显著性的可能性,并成功地检测出希格斯玻色子衰变成一对 tau 轻子。
Oct, 2014