DINAMO：面向大型粒子物理实验的动态可解释异常监测
高能物理 - 实验
2025-09-19 v2 机器学习
摘要
在大型粒子物理实验中，确保可靠的数据收集需要数据质量监测（DQM）程序来检测探测器可能的故障并保持数据完整性。传统上，这一资源密集型任务由人工值班人员处理，他们难以应对操作条件的频繁变化。我们提出了 DINAMO：一个新颖的、可解释的、稳健的且可扩展的 DQM 框架，旨在自动化时变环境下的异常检测。我们的方法构建了具有内置不确定性的演化直方图模板，包含一个统计变体——扩展了经典的指数加权移动平均（EWMA）——以及一个利用 transformer 编码器以提高适应性的机器学习（ML）增强版本。在合成数据集上的实验验证表明，这些方法具有高精度、适应性和可解释性。该统计变体正在大型强子对撞机的 LHCb 实验中进行调试，凸显了其在现实世界中的影响力。本研究使用的代码可在 https://github.com/ArseniiGav/DINAMO 获取。
引用
@article{arxiv.2501.19237,
title = {DINAMO: Dynamic and INterpretable Anomaly MOnitoring for Large-Scale Particle Physics Experiments},
author = {Arsenii Gavrikov and Julián García Pardiñas and Alberto Garfagnini},
journal= {arXiv preprint arXiv:2501.19237},
year = {2025}
}
备注
This is a post-peer-review, pre-copyedit version of an article published in Mach. Learn.: Sci. Technol. The final published version is available online: https://doi.org/10.1088/2632-2153/ae0240