CMS 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
2022-11-15 v1
摘要
在高能粒子物理中，需要复杂的蒙特卡洛（MC）模拟以将理论预测与可测量量进行比较。为考虑所有系统误差，需生成许多大型 MC 样本。因此，MC 统计量（以及由此带来的 MC 建模不确定性）成为多数测量的限制因素。此外，这些程序巨大的计算成本在大多数物理分析中成为瓶颈。因此，找到一种减少所生成 MC 样本的方法以减小 MC 统计不确定性并降低计算成本极为重要。在本会议录中，我们评估了一种称为基于分类调优与重加权的深度神经网络（DCTR）的方法。DCTR 是一种基于深度神经网络（DNN）的方法，利用事件中完整的运动学信息将模拟重加权至不同模型或模型参数并拟合模拟。该重加权方法通过在同一样本中纳入相关变化，避免了多次模拟探测器响应的需要。以此方式，MC 统计不确定性和计算成本均得以降低。此外，与在标准重加权中于真值层面在两个直方图的分箱上取比值不同，多维度且未分箱的信息可作为 DNN 的输入。另外，DCTR 能执行其他现有方法无法完成的任务，例如作为任意 MC 参数的函数的连续重加权、多个 MC 参数的同时重加权以及将 MC 模拟调优至数据。我们在顶夸克对产生的 MC 模拟上测试了该方法，将其重加权至不同的 SM 参数值和不同的 QCD 模型。
引用
@article{arxiv.2211.07355,
title = {Machine learning approaches for parameter reweighting in Monte-Carlo samples of top quark production in CMS},
author = {Valentina Guglielmi},
journal= {arXiv preprint arXiv:2211.07355},
year = {2022}
}
备注
To appear in the Proceedings of the 41st International Conference on High Energy physics - ICHEP2022, Bologna, Italy, 6-13 July, 2022