该论文使用神经网络检测数据与给定参考模型的偏差,并通过极大似然比假设检验算法实现。其主要应用是无需事先假设新物理,实现模型无关的新物理搜索,论文还探讨了进一步优化算法以适用于实验数据的可能性。
Jun, 2018
使用无监督学习技术提出一种新的科学应用,通过检测两个数据集之间的差异来增强我们在数据中搜索新现象的能力,建立基于最近邻的统计检验方法对两个样本之间的偏差进行测量,应用于高斯合成数据和模拟暗物质信号的案例中,是一种寻找待进一步研究的感兴趣区域的有力工具。
Jul, 2018
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
本文介绍了机器学习的核心概念和工具,并强调了与统计物理之间的自然联系。此外,还介绍了监督和非监督学习中的先进主题,并使用 Python Jupyter 笔记本演示了这些概念,并以物理学为基础的数据集(Ising 模型和超对称质子 - 质子碰撞的蒙特卡罗模拟) 作为案例,最后探讨了机器学习在进一步理解物理世界方面的潜在用途以及物理学家可能能够做出贡献的机器学习中存在的未解决问题。
Mar, 2018
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
使用多个背景类型的表示学习构建检测算法以改善异常检测,同时推广多背景设置中的相关性,以更完整地定义鲁棒性,从而在大型强子对撞机的粒子衰变高维数据集上展示了这种算法的好处。
Jan, 2024
介绍一种新的不受模型限制的异常检测技术,利用现代机器学习算法,应用于双喷注谐振搜索,将仅有的 2sigma 超出量变为 7sigma 超出量,从而找到与现有物理模型不符的中间 BSM 粒子。
May, 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
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
本研究通过基于自编码器的深度神经网络,在高能物理碰撞实验中开发了一组密度基准的新颖性评估器以实现新物理信号事件的高效检测,并探索了解决非信号区域提供的已知模式数据波动对检测灵敏度的影响并提出了应对策略。结果表明,新物理基准可能具有高效的识别能力。