顶级标签器的机器学习景观
本研究提出了一种新的基于深度神经网络的高效夸克顶标记器,采用 Lorentz 向量和 Minkowski 度量进行操作,不仅从量能器,而且从跟踪信息中鉴别加速顶夸克,该标记器的表现明显优于 QCD 启发式和图像识别方法。
Jul, 2017
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
使用计算机视觉和深度学习 (卷积神经网络 - CNN) 构建高效的增强型顶夸克刻度器,采用多种方式提高 DeepTop 刻度器的性能,包括架构、训练、图像预处理、样本大小和颜色像素等,并在背景拒绝能力上比基于高级输入的 BDT 提高了约 2-3 倍,可直接推广到分类其他类型的喷注。
Feb, 2018
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
该论文介绍了一种新的监督学习技术,可用于实时选择质子 - 质子对撞机中衰变的 τ 轻子,通过实施经典的机器学习决策树和先进的深度学习模型,比标准的 τ 触发器观察到了性能方面的明显进展,显示出这种实现可能降低当前的能量阈值,从而有助于增加对低能 τ 轻子分类的质子 - 质子碰撞中新现象的灵敏度。
Jun, 2023
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
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
本文讨论机器学习在低能物理学中的应用,以及利用卷积神经网络和 Transformer-Encoder 方法优化探测器参数以处理低数量事件分类问题的结果。
May, 2023
在资源匮乏的情景下,我们评估了早期学习曲线估计作为选择在非深度学习者应用的最适模型的实用机制,以提高性能并控制成本。使用西伊比利亚 - 罗曼斯语族中的加利西亚语作为案例研究,实验结果与我们的预期一致。
Feb, 2024
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