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
该论文综述了机器学习方法在核物理研究中的广泛应用,推动了科学发现和社会应用的进步。
Dec, 2021
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
机器学习在物理学领域的应用与挑战概述。
Oct, 2023
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
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
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
本文探讨了机器学习与传统基于物理模型的建模方法相结合解决复杂科学和工程问题的创新方法,总结了这些方法的应用领域,并描述了用于构建基于物理引导的机器学习模型和混合物理 - 机器学习框架的分类方法,提出了现有技术的分类方法,揭示了知识漏洞和不同学科间方法的潜在交叉点,可用作未来研究的思路。
Mar, 2020
本文介绍了使用深度学习方法来区分高能粒子对撞机中的信号和背景,不需要人工构建非线性特征,但仍然比当前最佳方法提高 8% 的分类指标。
Feb, 2014