基于 LHC 低层级全探测器数据的物理分析深度神经网络
高能物理 - 实验
2017-11-30 v2 分布式、并行与集群计算
机器学习
数据分析、统计与概率
摘要
近来将深度卷积神经网络（CNNs）应用于粒子物理实验数据的研究相当活跃。ATLAS/CMS 上现有方法主要集中于量能器的某个子集，用于识别物体或特定粒子类型。我们探索利用整个量能器并结合径迹信息，直接进行物理分析的方法：即将事件分类为已知物理本底或新物理信号。我们以已有的 RPV-超对称分析作为案例研究，并在多通道、高分辨率稀疏图像上探索 CNNs：应用于 NERSC 的 Cori 超级计算机上的 GPU 和多节点 CPU 架构（包括 Knights Landing (KNL) Xeon Phi 节点）。
引用
@article{arxiv.1711.03573,
title = {Deep Neural Networks for Physics Analysis on low-level whole-detector data at the LHC},
author = {Wahid Bhimji and Steven Andrew Farrell and Thorsten Kurth and Michela Paganini and Prabhat and Evan Racah},
journal= {arXiv preprint arXiv:1711.03573},
year = {2017}
}
备注
Presented at ACAT 2017 Conference, Submitted to J. Phys. Conf. Ser