MEDIC：面向碰撞实验的数据质量监控网络
高能物理 - 实验
2026-03-02 v2 人工智能
机器学习
摘要
数据质量监控 (DQM) 是粒子物理实验的关键组成部分，确保记录的数据质量最高，适用于后续物理分析。由于受严酷环境条件的影响，数据量空前庞大，而探测器的规模和复杂性也日益增加，DQM编排已成为极具挑战性的任务。因此，使用机器学习 (ML) 自动化异常检测、提高效率并减少数据收集过程中人为错误是不可避免的。鉴于DQM依赖真实实验数据，其本质上与特定探测器子结构和运行技术密切相关。本文提出一种基于仿真的方法，用于DQM，使我们能够在受控环境中 study 和 develop 数据质量方法。我们采用修改版Delphes——一种快速、通用的探测器仿真器——演示了一个框架，该框架利用ML来识别探测器异常并定位负责探测器故障的组件。我们引入MEDIC (Monitoring for Event Data Integrity and Consistency)，一个用于学习探测器行为并执行DQM任务以查找潜在故障的神经网络。虽然当前实现采用简化设置进行计算便利，故意关闭大型探测器区域以模拟故障，但本工作代表了面向未来粒子探测器的更全面基于ML的DQM框架的初始步骤。令人鼓舞的结果凸显了基于仿真的研究作为开发更先进、数据驱动DQM系统的基础的潜力。
引用
@article{arxiv.2511.18172,
title = {MEDIC: a network for monitoring data quality in collider experiments},
author = {Juvenal Bassa and Arghya Chattopadhyay and Sudhir Malik and Mario Escabi Rivera},
journal= {arXiv preprint arXiv:2511.18172},
year = {2026}
}
备注
17 pages, 1 appendix. V2: Minor changes to match with the published version