Jun, 2024

大型液体闪烁体探测器中电子反中微子选择的可解释机器学习方法

PDF
TL;DR通过机器学习模型，我们展示了在液体闪烁体探测器中，如何用全连接神经网络作为强大的事例选择工具，以区分信号和背景，并能在探测器边缘仍保留信号事件，提供了反应堆中微子实验中事件选择的解释性分析，从而可用于改进和更新传统的事件选择方法。
发现论文，激发创造
  • KamLAND-Zen 模拟的生成模型

    未来的无中微子双贝塔衰变搜索将使用基于机器学习的生成模型辅助传统蒙特卡洛模拟以提供高质量的仿真数据，并提高事件分类和背景抑制能力。

    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

  • 卷积神经网络中微中子事件分类器

    本文描述了卷积神经网络（CNN）在粒子物理学领域的应用，尤其是在高能中微子物理学和高能物理学中通常使用的采样量热计中识别粒子相互作用问题上的应用，通过 CVN（卷积视觉网络）算法对中微子相互作用进行拓扑识别，不需要详细重建，优于目前 NOvA 协作组使用的算法。

    Apr, 2016

  • NuGraph2：中微子物理事件重建的图神经网络

    利用液体氩时间投影室（LArTPC）探测器技术进行粒子重建是本文描述的主要技术，使用了基于图神经网络（Graph Neural Network，GNN）的 NuGraph2 算法对模拟中微子相互作用进行低级重建，同时提供了高效的背景过滤和语义标记方法，旨在用于中微子物理学中的粒子重建。

    Mar, 2024

  • 使用 AMS 电磁量能器对质子背景抑制的深度学习模型比较

    我们提出了一种使用 AMS ECAL 和深度学习进行粒子鉴别的新方法，通过将 ECAL 单元内的能量沉积视为像素，并使用 MLP、CNN 和多个 ResNet 以及卷积可视化 Transformer（CvT）作为 shower 分类器，这种方法比其他深度学习模型的质子拒绝能力高出多倍。

    Feb, 2024

  • 比较用于 tau 触发的机器学习模型

    该论文介绍了一种新的监督学习技术，可用于实时选择质子 - 质子对撞机中衰变的 τ 轻子，通过实施经典的机器学习决策树和先进的深度学习模型，比标准的 τ 触发器观察到了性能方面的明显进展，显示出这种实现可能降低当前的能量阈值，从而有助于增加对低能 τ 轻子分类的质子 - 质子碰撞中新现象的灵敏度。

    Jun, 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

  • 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

  • CMS 高粒度电磁量能器原型中的电子能量回归

    我们介绍了一个新的公开可用的数据集，其中包含欧洲核子研究中心大型强子对撞机即将安装的新型量热计的模拟数据。通过使用最新的机器学习技术，我们已经构建了一个拥有 12,000 个通道的大型原型，并通过高能电子束的照射对其进行测试。通过释放这些数据，我们希望鼓励机器学习应用专家开发出高效准确的电子能量重建和图像重建方法。

    Sep, 2023

  • 利用深度神经网络进行高能物理中的喷注细分分类

    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