基于喷注组分与长短期记忆（LSTM）网络的大型强子对撞机增强顶夸克标记
高能物理 - 实验
2017-11-27 v1 机器学习
高能物理 - 唯象学
机器学习
摘要
基于人工设计特征的多变量技术已广泛用于大型强子对撞机（LHC）上强子顶夸克衰变所产生喷注的鉴别。该领域近期的深度学习进展包括将量能器激活视为图像，或向全连接网络提供喷注组分动量列表。后一种方法非常适于使用循环神经网络。本工作探讨了融合长短期记忆（LSTM）网络的架构的适用性。我们研究了多种网络架构、喷注组分排序方法以及输入预处理方式。性能最佳的 LSTM 网络在 50% 信号效率下实现了 100 的本底抑制率。这相比在类似类型输入上训练的全连接深度神经网络（DNN）有超过两倍的提升。
引用
@article{arxiv.1711.09059,
title = {Long Short-Term Memory (LSTM) networks with jet constituents for boosted top tagging at the LHC},
author = {Shannon Egan and Wojciech Fedorko and Alison Lister and Jannicke Pearkes and Colin Gay},
journal= {arXiv preprint arXiv:1711.09059},
year = {2017}
}