基于域适应的卷积神经网络 τ 夸子识别
高能物理 - 实验
2025-12-25 v2 仪器与探测器
摘要
CMS 实验开发了一种基于卷积神经网络技术的 τ 夸子识别算法 DeepTau，用于区分重构的 τ 夸子 hadronic 衰变（）与夸子或夸克喷射，以及被误重构为 候选者的电子和μ子。该算法的最新版本 v2.5 包括通过反向传播实现的域适应技术，这种技术减少了在 候选者中最高纯度区域中，collision 数据与模拟之间的差异。此外，改进的训练工作流程相对于前一版本算法实现了分类性能的提升，对于给定的重构和识别效率，使夸子和夸克喷射被误识别为 候选者的概率降低 3050%。本文介绍了 DeepTau 算法所引入的新改进，并评估了其在 LHC 原子核-原子碰撞数据中的性能，该数据在 = 13 和 13.6 TeV 下收集于 2018 和 2022 年，分别对应 60 和 35 fb 的有效积分照度。介绍了将 识别算法在模拟中针对其在真实数据中测量性能进行校准的技术，以及其中一部分结果，这些结果用于 CMS 物理分析。
引用
@article{arxiv.2511.05468,
title = {Identification of tau leptons using a convolutional neural network with domain adaptation},
author = {CMS Collaboration},
journal= {arXiv preprint arXiv:2511.05468},
year = {2025}
}
备注
Replaced with the published version. Added the journal reference and the DOI. All the figures and tables can be found at http://cms-results.web.cern.ch/cms-results/public-results/publications/TAU-24-001 (CMS Public Pages)