通过特征重要性检索具有提升不变性的符号观测量
使用高保真模拟的CMS开放数据,构建以低级检测器数据为基础的端到端喷注图像分类器,可以区分以夸克 vs. 胶子引发的喷注; 并将端到端方法泛化到夸克 vs. 胶子二喷注QCD事件的事件级分类中,与使用手工特征的方法进行对比,结果表明端到端算法对事件和堆积的影响具有很强的鲁棒性。
Feb, 2019
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
本文章介绍了基于图形神经网络和喷注内部辐射模式的高效描述的LundNet,它可以最佳地分离受到提升的对象的特征和背景事件的签名,并在多个基准测试中展示了与现有最先进算法相比显着提高的性能。
Dec, 2020
本篇论文提出一种利用符号回归技术和FPGA实现的机器学习模型优化算法,成功地将一个由3层神经元组成的模型大幅优化,准确率超过90%,执行时间缩短了13倍。
May, 2023
该研究提出了使用基于图的表示方法来对喷注进行编码,通过设计粒子切比雪夫网络(PCN),利用切比雪夫图卷积(ChebConv)来学习此表示方法,PCN在粒子喷注标记中取得了显著的准确率改善,为将来在高能物理实验中探索基于图的喷注表示和ChebConv层开辟了新的研究方向。
Sep, 2023
我们提出一种可用于次级顶点拟合的可微顶点拟合算法,并能够无缝集成到神经网络中进行喷注风味标记。这种算法将顶点拟合问题表述为优化问题,通过隐式微分定义优化解的梯度,并可传递给上游或下游的神经网络组件进行网络训练。更广泛地说,这是将物理知识集成到高能物理领域的神经网络模型中的可微编程应用。我们演示了如何将可微次级顶点拟合集成到基于Transformer的更大模型中,以改善重味喷注分类。
Oct, 2023
利用知识蒸馏提高学生模型对大型强子对撞机上轰击粒子分类任务的性能,并通过使用具有洛伦兹对称的强归纳偏差的教师模型,引入相同的归纳偏差以提高模型的鲁棒性
Nov, 2023
本研究通过神经网络的自主学习,不依赖预先计算的变量和底层物理知识,实现了在物理领域中的喷注标记性能的相当结果,从而有望解决模型依赖性问题。
Nov, 2023
高能物理学中的重建与分析可以通过采用现代机器学习工作流程(如预训练、微调、领域适应和高维嵌入空间)超越顺序优化或重建分析组件的标准范例,实现性能和数据效率的显著提升。
Jan, 2024
深度学习在高能物理实验和现象学研究中的应用进行了综合评估,调查了多种深度学习方法在高能物理图像领域的应用,包括数据集、预处理技术、特征提取和选择方法等方面,并详细讨论了其在高能物理研究中的应用及挑战和未来研究方向。
Mar, 2024