基于深度学习的喷注能量校准及其 Kubeflow 流水线实现

在 CMS 实验中，对 LHC 粒子碰撞产生的喷注能量进行精确测量，对绝大多数物理搜寻至关重要。本研究中，我们利用成熟的深度学习点云模型与 CMS 开放数据来改进粒子喷注的能量校准。为实现可投产的基于机器学习的喷注能量校准，我们在 Kubeflow 云平台上构建了端到端流水线。该流水线使我们能够在云资源上扩展超参数调优实验，并将最优模型作为 REST 端点提供服务。我们给出了参数调优过程的结果，并从推理时间与开销方面分析所服务模型的性能，为未来该方向的工作提供见解。与标准喷注能量修正基线相比，本研究还展示了在味依赖性和能量响应分辨率两方面的改进。