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
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
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
应用图神经网络(GNN)在轨道重建中,结合经典组合卡尔曼滤波(CKF)算法,有效解决内外区域的 3D 测量数据差异,提高高能物理粒子探测器在高亮升级大型强子对撞机(HL-LHC)上的轨道重建性能。
Jan, 2024
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
本文介绍了如何使用图神经网络来解决组合优化问题,包括最大割、最小顶点覆盖和最大独立集等一些组合优化问题。通过在问题哈密顿量上应用松弛策略,我们生成了一个可区分的损失函数,并在无监督训练过程结束后对整数变量进行简单的投影。实验表明,我们的方法在解决包含数百万个变量的问题时能够胜任。
Jul, 2021
介绍了图神经网络在粒子物理学中应用的各种情况,并探讨了它在粒子物理学中的潜在应用。
Jul, 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
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
近期的研究工作表明,图神经网络可以在处理 HL-LHC 带来的计算挑战时,达到传统算法的性能水平。大多数图神经网络跟踪算法基于边缘分类,通过识别初步图中的噪声连接来确定轨迹的连接组件。本次报告中,我们提出了一种基于物体凝聚的替代方法,该方法使用多目标学习框架来聚类属于任意数量对象(轨迹)的点(击中点)并回归每个对象的属性。借鉴我们之前的研究成果,我们提出了一个简化的模型,并展示了在高堆积环境下一次性物体凝聚跟踪算法的进展。
Dec, 2023