借助计算机视觉与深度学习尽收顶夸克
高能物理 - 唯象学
2018-11-14 v1 高能物理 - 实验
摘要
我们应用计算机视觉与深度学习——以卷积神经网络（CNN）的形式——构建了一个高效的增强顶夸克标记器（boosted top tagger）。先前的工作（Kasieczka 等人的“DeepTop”标记器）已表明，基于 CNN 的顶夸克标记器可达到基于高层输入的顶尖传统顶夸克标记器相当的性能。在此，我们对 DeepTop 标记器引入若干改进，包括架构、训练、图像预处理、样本量与彩色像素。我们最终的 CNN 顶夸克标记器在背景抑制方面，在广泛的标记效率与可信喷注选择范围内，比基于高层输入的 BDT 高出约 2–3 倍或更多。作为参考点，对于 在 800–900 GeV（350–450 GeV）范围内的完全合并（非合并）顶夸克喷注，我们在 50% 顶夸克标记效率下实现了 500（60）的 QCD 背景抑制因子。我们的 CNN 也可直接扩展至其他类型喷注的分类，且此处所得经验或有助于他人为 LHC 应用设计自己的深度神经网络（NN）。
引用
@article{arxiv.1803.00107,
title = {Pulling Out All the Tops with Computer Vision and Deep Learning},
author = {Sebastian Macaluso and David Shih},
journal= {arXiv preprint arXiv:1803.00107},
year = {2018}
}
备注
33 pages, 11 figures