Jan, 2021

LHC Olympics 2020：高能物理异常检测的社区挑战

PDF
TL;DR本文回顾了 LHC Olympics 2020 这一基于数据驱动和模型无关的新物理搜索新范式，它利用了异常检测和机器学习的最新突破，包括比赛概述、部署方法的描述、经验教训和对未来数据分析及未来对撞机的启示，并提到了开发标准数据集对于在该框架内开发和基准测试新的异常检测方法的至关重要性。
collidersanomaly detectionmachine learninglhc olympics 2020data analyses
发现论文，激发创造
  • 基于物理学基础的群体异常检测方法及数据集的新研究

    本文介绍了无监督群体异常检测成为寻找新粒子和力量的新前沿，提出了一种现实的综合基准数据集（LHCO2020）以用于群体异常检测算法的开发，并比较了几种现有的统计学算法在 LHCO2020 数据集上的表现。

    Jul, 2021

  • 粒子物理学中的异常检测机器学习

    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

  • 利用机器学习进行共振新物理的异常检测

    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

  • 新奇性检测与对撞机物理

    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。

    Jul, 2018

  • 大型强子对撞机新物理挖掘的变分自编码器

    使用物理过程训练的变分自编码器，开发了一种单边阈值测试，以隔离先前未见的过程作为异常事件，并且这种算法可以识别丢失的异常事件，扩展了 LHC 的科学范围。

    Nov, 2018

  • 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

  • 跟踪机器学习挑战：精度阶段

    采用众包和机器学习等方法，解决粒子轨迹跟踪等高能物理实验中的难题，并在跟踪机器学习挑战赛中得出了一些算法结果。

    Apr, 2019

  • 利用大型语言模型的物理事件分类

    2023 AI4EIC hackathon at The Catholic University of America brought together researchers to discuss the latest developments in AI and Machine Learning for the Electron Ion Collider, and the hackathon involved using a chatbot powered by ChatGPT-3.5 to analyze physics data.

    Apr, 2024

  • 基于自编码器的 CMS 电磁量能器的在线数据质量监测异常检测系统

    通过使用半监督机器学习的实时自编码器异常检测系统，可以快速识别、定位和诊断可能影响物理数据质量的 CMS 电磁量能器的各种问题，同时利用时间依赖性演化和探测器响应的空间变化，最大程度提高异常检测性能，该系统在 2018 年和 2022 年的 LHC 碰撞数据中进行了验证，并且在 LHC Run 3 开始阶段将自编码器系统部署在 CMS 在线数据质量监测工作流中的初步结果表明其可以检测到现有系统所错过的问题。

    Sep, 2023

  • 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