利用图神经网络在大型强子对撞机上进行堆砌本底抑制
高能物理 - 唯象学
2019-06-14 v4 机器学习
高能物理 - 实验
摘要
在大型强子对撞机（Large Hadron Collider, LHC）上，实验合作组研究的高横动量事例与寄生的低横动量碰撞同时发生，后者通常被称为堆砌（pileup）。由于堆砌会影响许多物理可观测量重建的精度，其抑制是在线及离线事例重建的关键环节。我们提出了一种基于图神经网络（Graph Neural Networks, GNN）的分类器，经训练以保留来自高横动量碰撞的粒子，同时拒绝来自堆砌碰撞的粒子。该模型设计为对 PUPPI 算法的改进，后者自 2015 年以来已用于许多 LHC 数据分析。得益于扩展的输入信息基础以及所采用网络架构的学习能力，我们展示了相对于当前最优（state-of-the-art, SOTA）方案的堆砌拒绝性能的提升。
引用
@article{arxiv.1810.07988,
title = {Pileup mitigation at the Large Hadron Collider with Graph Neural Networks},
author = {Jesus Arjona Martinez and Olmo Cerri and Maurizio Pierini and Maria Spiropulu and Jean-Roch Vlimant},
journal= {arXiv preprint arXiv:1810.07988},
year = {2019}
}
备注
12 pages, 11 figures