- 机器学习推断强透镜中的子暗物质结构统计特性
本文介绍了如何利用重力透镜系统中弱摄动的扰动来推测暗物质亚结构的存在与性质,并给出了基于相关参数进行 相关概率比率实验数据的仿真分析结果。
- 机器学习与物理科学
本文综述了机器学习和物理科学之间的接口,包括机器学习的基本概念,如何用统计物理学理解机器学习方法,机器学习方法在粒子物理学、宇宙学、量子物理学、量子计算和化学、材料物理学中的应用,以及加速机器学习的新型计算架构的研究和开发。
- 能量流网络:粒子喷注的深度集合
此篇文章介绍了如何利用机器学习技术处理粒子物理中的碰撞事件数据,并提出了一种基于深度集合(Deep Sets)框架的粒子流网络(Energy Flow Networks)和粒子流网络(Particle Flow Networks)方法,这些 - 标准模型之外的物理研究中高效的概率推理
提出一种新型的概率编程框架,通过跨平台的概率执行协议直接连接到现有的大规模模拟器,允许通用推理引擎以语言无关的方式记录和控制模拟器内的随机数,并通过后验推断的高度可解释性来演示其技术应用于粒子物理学,提升推断效率。
- 用机器学习限制有效场论的指南
利用粒子物理过程的潜在空间结构,利用增强数据训练神经网络,从而实现在加速器实验中约束理论参数的多种推理技术,这些新技术比传统方法基于直方图的方法放置了更强的限制。
- JUNIPR:粒子物理中的无监督机器学习框架
介绍一种无监督学习框架 JUNIPR,可让机器无需参考已建立的标签而学习高维数据轮廓,并通过二叉树聚类与中子网络相结合,拥有物理学的直接物理解释,同时可以进行判别式任务,提供概率分布以及数据驱动的 Monte Carlo 生成器等应用。
- CaloGAN:使用生成对抗网络模拟多层电磁量能器中的三维高能粒子淋浴
使用生成对抗网络(GANs)的新型快速模拟技术 extsc {CaloGAN},针对长轴分段式银河系中电磁淋浴进行建模并实现与现有全模拟技术相当甚至更好的 CPU(100x-1000x)和 GPU 上速度快(高达约 10 ^ 5 倍)
- 2020 年高能物理软件与计算研发路线图
本篇白皮书概述了为软件升级所需的研发活动,主要涉及粒子物理学、探测器硬件和 HL-LHC 等方面。
- (机器) 学会做更多的事情,更少的资源
本文比较了利用事件真值标签和利用类别比率这两个训练机器学习算法的方式,发现弱监督方法能够在信息不足的情况下提供令人满意的性能,并且在粒子物理学中得到了应用。实验证明,弱监督神经网络对于训练样本被误分类的问题具有极强的鲁棒性,并且与全监督神经 - 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 - 深度学习与重整化群
本文比较分析了重整化群方法与深度机器学习方法的相似之处,讨论了多尺度纠缠重整化算法在生成式分层贝叶斯网络中的应用,并证明了该算法仅涉及概率的明确评估,消除了采样的需要。
- 使用 Bonsai 增强决策树实现高效、可靠和快速的高级触发
本文介绍了一种名为 “Bonsai” BDT 的改进型 BDT 分类器,该分类器比传统的基于切割的方法更高效,更具鲁棒性并且速度非常快,非常适合于任何大规模数据采集系统面临的在线运行条件。
- WHIZARD:在 LHC 和 ILC 模拟多粒子过程
文中介绍了号称万能的 Monte-Carlo 事件生成器 WHIZARD,该程序可以自动计算完整的树级矩阵元,计算观察量的分布,并生成直接用于探测器模拟的非加权事件样本,可应用于包括物理学在内的各个领域的研究。
- 顶夸克质量的精确测量
提出了一种基于新技术的精密测量方法,可用于精确测量顶夸克的质量,通过其质量来探究希格斯玻色子的存在,并在当前实验敏感度之外,将实验上限提高至 251 GeV /c ^ 2。