CMS 实验中顶夸克产生蒙特卡洛样本参数重加权的机器学习方法
高能物理 - 实验
2023-12-04 v1
摘要
在粒子物理中，需要蒙特卡洛（MC）事件生成器来将理论与测量数据进行比较。为考虑理论系统不确定性，必须生成许多 MC 样本，这带来了可观的计算成本。因此，MC 统计量成为大多数测量的限制因素，而这些程序的高计算成本也成为大多数物理分析的瓶颈。本文中，评估了基于深度神经网络分类调优与重加权（DCTR）方法，用于 CMS 实验内顶夸克对产生 MC 模拟中两种系统不确定性的重加权。DCTR 是一种基于深度神经网络（DNN）技术的方法，通过利用事件中的完整运动学信息，将模拟重加权到不同模型参数。该方法通过在单个样本中纳入相关变化，避免了多次模拟探测器响应的需要。
引用
@article{arxiv.2312.00505,
title = {Machine learning approaches for parameter reweighting in MC samples of top quark production in CMS},
author = {Valentina Guglielmi},
journal= {arXiv preprint arXiv:2312.00505},
year = {2023}
}
备注
To appear in the Proceedings of the European Physical Society conference, EPS2023, 20-25 August 2023 , Hamburg (Germany)