用于全相空间重加权与参数调谐的神经网络

基于对撞机的粒子物理中的精确科学分析之所以可行，是因为有将基本理论与可观测量相连的复杂模拟。这些程序巨大的计算代价限制了标准模型测量与新现象搜寻的范围、精度与准确度。因此我们引入 Deep neural networks using Classification for Tuning and Reweighting（DCTR，基于分类的调谐与重加权深度神经网络），一种利用全部运动学与味信息——即全相空间——对模拟进行重加权与拟合的基于神经网络的方法。DCTR 能完成现有方法目前无法完成的任务，例如估计非微扰碎裂不确定性。这一新方法的核心思想是利用强大的高维分类器对相空间重加权，并识别描述数据的最佳参数。来自 $e^+e^-\rightarrow\text{jets}$ 的数值例子展示了这些方法对于在相空间上有重大且广泛影响的模拟参数，以及那些有微小和/或局域影响的参数，均具有很高保真度。全相空间重加权的高保真度开启了模拟、参数调谐与模型系统不确定性方面的新范式，并可能超越粒子物理领域。