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
介绍了一种基于深度神经网络的准确,快速的电磁量能器模拟方法,可以快速生成大量实验数据,突破了现有算法和计算资源难以满足需求的问题,为探索物理学新领域提供了可能。
May, 2017
研究了可扩展的机器学习模型,用于基于高粒度探测器模拟的高能电子 - 正电子碰撞的完全事件重建。比较了图神经网络和基于核的变压器,并证明两者在实现逼真的粒子流重建时,同时避免了二次内存分配和计算成本。展示了在超级计算机上进行的超参数调整显著改善了模型的物理性能。还展示了所得模型在支持 Nvidia、AMD 和 Intel Habana 卡的硬件处理器上具有高度可移植性。最终证明了该模型可以在由径迹和电量计击中构成的高粒度输入上进行训练,从而获得与基线相竞争的物理性能。根据可寻找、可获取、可互用和可复用(FAIR)原则发布了用于重现研究的数据集和软件。
Sep, 2023
利用神经网络分类器和生成模型直接模拟卡路里计数器的响应,大幅提高了模拟速度并保持高保真度。
Jun, 2023
本文提出了神经网络量子态的解释,以近似求解核物质的多体薛定谔方程,成功将 ANN 波函数与传统的二体和三体 Jastrow 函数和基本准确的 Green's 函数 Monte Carlo 结果进行了基准测试。
Jul, 2020
高能粒子碰撞中,基本碰撞产物通常会进一步衰变,形成具有预先未知多样性的树状分层结构。本文描述了一个典型的图神经网络(GNN)与深度全连接前馈神经网络体系结构的基准测试,并以在 CERN 的大型强子对撞机上在由质子 - 质子碰撞产生的带有顶夸克 - 反夸克对的最终态 X 的分类为物理案例进行对比。
Feb, 2024
利用粒子物理过程结构从 Monte-Carlo 模拟中提取额外信息,用于训练神经网络模型估计可能性比率,进而放宽对有效场论的限制,提高精度。
Apr, 2018
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
本文提出了一种新的高能物理中散射截面和粒子事件样本生成的方法,通过引入神经网络来克服现有方法的一些缺陷,保证了全相空间覆盖和目标分布精确重现,并通过几个代表性的例子研究了算法的性能,包括顶夸克对产生、三光子和四光子最终态的胶子散射等。
Jan, 2020
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