Dec, 2023

基于机器学习的缺失数据粒子识别

PDF
TL;DR在本研究中，我们介绍了一种新颖的粒子鉴别（PID）方法，适用于 CERN 的大型强子对撞机上的 ALICE 实验。我们提出的方法可以使用所有可用的数据示例进行训练，包括不完整的数据，从而提高所选样本的 PID 纯度和效率。
particle identificationalice experimentlarge hadron collidermachine learning modelsdetector efficiency
发现论文，激发创造
  • 利用不完整数据的机器学习粒子鉴别在 ALICE 实验中的应用

    ALICE 实验在 LHC 测量了超细相对论重离子碰撞中形成的强相互作用物质的性质。该研究需要准确的粒子鉴别，传统方法使用矩形截断，但机器学习方法可以获得更好的性能。我们的解决方案使用多个神经网络作为二进制分类器，并通过特征集嵌入和注意力来扩展我们的粒子分类器，以便在存在不完整样本的数据上进行训练。我们还介绍了 ML 项目与 ALICE 分析软件的集成，并讨论了领域适应，这是在模拟和实验数据之间传递知识所需的 ML 技术。

    Mar, 2024

  • 粒子物理学中的异常检测机器学习

    粒子物理学中使用机器学习进行异常检测的最新技术进行综述，讨论了在大型复杂数据集中进行异常检测的挑战，并强调了在粒子物理实验中异常检测的成功应用。

    Dec, 2023

  • 利用机器学习技术识别高能、重子宏观衰变粒子

    探索机器学习技术用于鉴别和分类高洛伦兹促进 W/Z/ 希格斯玻色子和顶夸克的强子衰变，评估了不使用机器学习的技术，并在模拟事件中表征了各种算法的鉴别性能，并直接与数据进行比较。

    Apr, 2020

  • 高能物理社区机器学习白皮书

    本文讨论机器学习在粒子物理学研究中的应用前景和可行性，并详述实现机器学习在粒子物理学上开发所需的软硬资源、与数据科学社区、学术界和产业界的合作倡议以及对粒子物理学界在数据科学培训上进行的工作。旨在将研究和开发与物理驱动器连接起来，并确定实现它们的资源需求，以及其他社区的合作领域。

    Jul, 2018

  • 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

  • 现代机器学习与粒子物理学

    介绍现代机器学习在粒子物理领域的应用，重点关注大型强子对撞机中的信号 / 背景识别任务，包括使用监督学习和直接数据驱动方法等。文末还讨论了该领域存在的挑战和未来发展方向。

    Mar, 2021

  • 跟踪机器学习挑战：精度阶段

    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

  • 机器学习在聚焦气凝胶探测器方面的应用

    超魅力 -τ 工厂实验的粒子识别将由聚焦增量环形成像切伦科夫探测器 (FARICH) 提供，探测器位置的特殊性使得适当的冷却困难，因此捕获了大量的环境背景杂讯，需要减轻以减少数据流并提高粒子速度分辨率，在这项工作中，我们提出了几种根据计算机视觉中的机器学习技术的方法来过滤信号杂讯。

    Dec, 2023

  • 液氩探测器低能物理的少命中机器学习分类算法评估

    本文讨论机器学习在低能物理学中的应用，以及利用卷积神经网络和 Transformer-Encoder 方法优化探测器参数以处理低数量事件分类问题的结果。

    May, 2023

  • 单镜头自监督粒子跟踪

    提出了一种名为 LodeSTAR 的新型深度学习方法，可以在单个未标记的实验图像中学习以亚像素级精度跟踪对象。 该算法利用了数据的旋转平移对称性，并扩展了可测量的粒子属性，可以加速高质量的微观分析流水线的发展。

    Feb, 2022