用于识别与定位主顶点的混合深度学习算法研发进展
高能物理 - 实验
2021-09-08 v2 数据分析、统计与概率
摘要
LHC 实验中质子-质子碰撞点的位置称为主顶点(PVs)。针对 LHCb 的 Run 3 版本、用于识别与定位这些主顶点的混合深度学习算法的初步结果已在 2019 和 2020 年的会议上介绍。过去一年里,我们在多个相关领域取得了显著进展。使用两种较新的核密度估计器(KDEs)作为输入特征集提高了模型的保真度,使用完整的 LHCb 模拟而非最初(且仍在使用)用于开发模型的“玩具蒙特卡洛(toy Monte Carlo)”也同样如此。我们还构建了一个深度学习模型,从径迹信息计算 KDEs。将径迹到 KDE 的模型与用于寻找 PVs 的 KDE 到直方图(KDE-to-hists)模型相连,提供了一个概念验证:单一深度学习模型可利用径迹信息以高效率和高保真度找到 PVs。我们系统地研究了多种模型,以理解其架构变化如何影响性能。尽管此处报告的研究特定于 LHCb 的几何结构与运行条件,但结果表明相同方法可被 ATLAS 和 CMS 实验采用。
引用
@article{arxiv.2103.04962,
title = {Progress in developing a hybrid deep learning algorithm for identifying and locating primary vertices},
author = {Simon Akar and Gowtham Atluri and Thomas Boettcher and Michael Peters and Henry Schreiner and Michael Sokoloff and Marian Stahl and William Tepe and Constantin Weisser and Mike Williams},
journal= {arXiv preprint arXiv:2103.04962},
year = {2021}
}