利用深度学习识别新物理信号中特征的重要性与构造
高能物理 - 实验
2017-12-12 v1 高能物理 - 唯象学
摘要
机器学习的进展导致了分析大数据新范式的出现,可辅助传统方法在大型强子对撞机巨大的标准模型本底中寻找新物理。深度学习即是这样一种范式。本工作中,我们首先针对两个超越标准模型基准情形:多 Higgs 与超对称情景,用深度学习研究了信号-本底分类特征的特征重要性排序。我们发现多 Higgs 情景的发现有生能力仍可随附加特征而提升。此外,我们还提出了一种基于深度学习构造新特征以分离信号与本底的方法,并以 ATLAS 探测器为具体实例。我们展示所构造特征在信号-本底分离上比常用特征更有效,因而更利于探测器中的物理搜寻。作为一个侧面应用,所构造特征可用于识别探测器中的任何动量偏置。我们还将卷积神经网络用作动量偏置检验方法的一部分。
引用
@article{arxiv.1712.03806,
title = {Importance and construction of features in identifying new physics signals with deep learning},
author = {Chang-Wei Loh and Rui Zhang and Yong-Heng Xu and Zhi-Qiang Qian and Si-Cheng Chen and He-Yang Long and You-Hang Liu and De-Wen Cao and Wei Wang and Ming Qi},
journal= {arXiv preprint arXiv:1712.03806},
year = {2017}
}