Nov, 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

PDF
TL;DR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。
computer visionbeyond the standard modelhigh energy physicsconvolutional neural networkregression tasks
发现论文，激发创造
  • 利用机器学习进行共振新物理的异常检测

    介绍一种新的不受模型限制的异常检测技术，利用现代机器学习算法，应用于双喷注谐振搜索，将仅有的 2sigma 超出量变为 7sigma 超出量，从而找到与现有物理模型不符的中间 BSM 粒子。

    May, 2018

  • 基于贝叶斯深度学习的修正引力宇宙体积

    使用具有不确定性估计的贝叶斯神经网络从修改引力模拟中提取宇宙学参数，优于传统神经网络的精确预测和校准不确定性估计

    Sep, 2023

  • 基于细调基础模型的联合分析优化

    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

  • 混合量子经典图卷积网络

    本研究提出一个混合量子经典图卷积网络 (QGCNN) 来处理高能物理数据中的稀疏数据，其在参数数量方面比经典多层感知器和卷积神经网络具有优势，并且在测试准确性方面与量子卷积神经网络相当。同时，研究表明探究图卷积操作和其他量子机器学习模型的应用可能有利于推动高能物理研究和其他科学领域。

    Jan, 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

  • 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

  • 利用深度学习重建深度非弹性散射的运动学

    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。

    Oct, 2021

  • 深度学习增强的希格斯到 τ⁺τ⁻的探索

    这篇论文研究了使用深度神经网络和贝叶斯优化算法来提高通过 Large Hamron Collider 探测到的希格斯玻色子挑战 5σ 显著性的可能性，并成功地检测出希格斯玻色子衰变成一对 tau 轻子。

    Oct, 2014

  • 高能物理的人工智能安全

    本研究探讨了在高能物理学中使用深度学习的优势，以及将其与传统工作流程相结合可能带来的潜在问题。我们提出了一种 AI 安全的概念来控制可能存在的未被考虑的不确定因素，并希望引起学界对将深度学习应用于实验分析的讨论。

    Oct, 2019

  • Jet-Images -- 深度学习版本

    采用基于深度学习技术的机器学习算法识别高增强度 W 玻色子，该算法优于传统的物理学特征驱动算法，通过可视化训练过程，可以获得附加信息以提高性能，加深对逐渐深入了解喷注中的物理以及新粒子和新力的敏感性的物理学特征驱动工具和监督学习算法之间的相互作用的普遍性。

    Nov, 2015