Belle II 像素探测器数据中监督与无监督异常检测的比较
高能物理 - 实验
2022-07-13 v1 数据分析、统计与概率
摘要
机器学习已成为粒子对撞机实验中识别暗物质候选者的流行工具。它们能够处理大型数据集，因此适合直接对来自探测器的原始数据而非重建对象进行操作。此处，我们研究由 Belle II 像素探测器记录的原始像素击中模式，该探测器自 2019 年运行，目前具有 4M 像素与高达 5 kHz 的触发率。我们特别关注无需理论模型即可运行的无监督技术。这些与模型无关的方法允许对数据进行无偏探索，同时滤除可能暗示新物理情形的异常探测器特征。我们展示了使用自组织 Kohonen 映射与自编码器在 Belle II 束流本底下对假想磁单极子的识别。这两种无监督算法与一个卷积多层感知机进行比较，并在高本底排斥水平下发现更优的信号效率。我们的结果强化了在对撞机中使用无监督机器学习技术补充传统搜索策略的论据，并为这些算法在不久的将来实现潜在在线应用铺平了道路。
引用
@article{arxiv.2202.07935,
title = {Comparison of Supervised and Unsupervised Anomaly Detection in Belle II Pixel Detector Data},
author = {Katharina Dort and Johannes Bilk and Stephanie Käs and Jens Sören Lange and Marvin Peter and Timo Schellhass and Benjamin Schwenker and Björn Spruck},
journal= {arXiv preprint arXiv:2202.07935},
year = {2022}
}