如何利用机器学习改善粒子对撞机中信号与本底的判别

近几十年来，机器学习的流行度在几乎所有领域都在增长，其中商业和科学领域最为显著。在粒子物理方面，ML 已被证明是充分利用诸如大型强子对撞机（LHC）等项目的有效资源。ML 提供的主要优势是在减少实验测量所投入的时间和精力的同时改善性能。通过本工作，我们旨在鼓励粒子对撞机的科学家使用 ML 并尝试当今可用的不同替代方案，聚焦于信号与本底之间的分离。我们评估了该领域中一些最常用的库，如基于 ROOT 的多变量数据分析工具包（Toolkit for Multivariate Data Analysis with ROOT），以及更新且更复杂的选项如 PyTorch 和 Keras。我们还检验了一些最常用于信号-本底判别的算法（如提升决策树）的优度，并提议使用其他算法，即神经网络。我们在模拟的 LHC 数据上比较了不同算法和库的总体性能，并给出了一些指导方针以帮助分析人员应对不同情况。例如使用来自粒子探测器的低层或高层特征，或可用于训练算法的统计量规模。