Oct, 2021

利用深度学习重建深度非弹性散射的运动学

PDF
TL;DR本文通过利用深度神经网络方法重建中性电流深度非弹性散射（DIS）的运动学，能够比传统方法更好地利用两个散射的信息和较好解决 QED 辐射问题，同时提高了分辨力和降低了偏差，从而为未来的实验在运动学方面扩展探测范围并提高极化及核非弹性散射发现的潜力。
neural networkdeep inelastic scatteringkinematicsqed radiationeic
发现论文，激发创造
  • 深度学习深度非弹性散射动力学

    使用深度学习技术重构在电子 - 质子碰撞中中性电流深非弹性散射（DIS）过程的运动学，通过使用 HERA 加速器所在的 ZEUS 实验的模拟数据，训练深度神经网络来重构运动学变量 $ Q^2 $ 和 $ x $。使用深度学习技术进行重构 DIS 运动学的能力，可以作为一种严格的方法，将不同的运动学分析方法结合起来，并在大数据集上实现出色的表现

    Aug, 2021

  • ELUQuant: 深層非彈性散射中的事件級不確定性量化

    通过使用流近似后验的乘法归一化流 (MNF)，我们介绍了一种物理启发式的贝叶斯神经网络 (BNN)，用于在物理事件级别上进行详细的不确定性量化 (UQ)。我们的方法能够识别异方差的 aleatoric 和 epistemic 不确定性，提供细粒度的物理洞察力。应用于深度非弹性散射 (DIS) 事件，我们的模型有效提取了运动学变量 $x$，$Q^2$ 和 $y$，与最新的深度学习回归技术的性能相匹配，但在事件级别的 UQ 方面具有关键增强。这种对底层不确定性的详细描述对于决策尤其重要，特别是在事件过滤等任务中。它还可以在不直接访问实际准确性的情况下减少真正的不准确性。在 HERA 的 H1 探测器上进行了详尽的 DIS 模拟，显示了未来 EIC 的潜在应用。此外，这为数据质量监测和异常检测等相关任务铺平了道路。值得注意的是，我们的方法能够有效处理大样本和高速率。

    Oct, 2023

  • 利用深度神经网络进行高能物理中的喷注细分分类

    本文使用深度神经网络进行图像分类，无需专家特征即可区分大型强子对撞机数据中的单一强子粒子喷注和多重粒子喷注，效果与现有分析方法相当或略优。

    Mar, 2016

  • 利用隐式神经表示捕获动态相关性

    本文介绍了基于人工智能的框架和神经网络相结合的研究，通过在实验数据上回收未知参数，自动检测和完善多维散射数据中的先进有序量子体系的模型。

    Apr, 2023

  • 利用深度三维卷积神经网络直接从高能物理数据中提取 BSM 物理参数的训练：基于蒙特卡洛模拟的概念验证研究

    使用计算机视觉技术从高能物理学的味道数据中直接提取超出标准模型（BSM）参数的一种新的应用，通过将角度和动力学分布转化为 “准图像”，训练卷积神经网络执行回归任务，与在高能物理学中使用机器学习 / 人工智能进行的通常分类功能相对应。

    Nov, 2023

  • 基于深度学习方法获取的电子 - 碳散射数据的实证适应

    利用神经网络框架，我们基于两种不同的方法得到了模型无关参数化和相应的不确定性，并将其与实验测量和理论预测进行了比较。结果显示，与基于辍学算法的方法相比，第一种统计方法具有更好的插值和外推能力。

    Dec, 2023

  • 用于轨迹重建的新型深度学习方法

    研究报告介绍了瑞士大型强子对撞机粒子轨迹重建中机器学习的解决方案，包括两种新的基于 RNN 和 GNN 的深度学习模型，能够高效地处理具有时序关联性和连通性的空间点数据。

    Oct, 2018

  • 利用深度学习探测相对论重离子碰撞中的临界性

    利用普适性原理，我们可以将基于 3D Ising 模型的临界相关性嵌入到重离子碰撞的模拟数据中，从而通过动态边卷积的点云网络实现对具有临界波动的事件的识别和决策。

    Jul, 2021

  • 使用振幅神经网络优化强子对撞机模拟

    本文研究使用神经网络逼近矩阵元的方法进行精密现象学研究，比较其与传统模拟技术的效果可以实现模拟时间缩短，且在标准观测方面有很好的一致性。

    Feb, 2022

  • 利用深度学习搜索高能物理中的奇异粒子

    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