Punzi-loss：用于新粒子搜寻中灵敏度优化的不可微度量近似
高能物理 - 实验
2022-02-11 v2 高能物理 - 唯象学
摘要
我们提出了一种不可微度量近似的新颖实现及相应的损失调度，旨在高能物理实验中对未知质量的新粒子进行搜寻。我们将这种基于最小化粒子物理典型的品质因数相关函数的损失调度称为 Punzi-loss 函数，将利用该损失函数的神经网络称为 Punzi-net。我们表明 Punzi-net 优于标准多元分析技术，并且能很好地泛化到未训练过的质量假设。这是通过训练单一分类器实现的，该分类器在整个搜寻空间上对所有信号假设提供连贯且最优的分类。我们的结果构成了粒子物理中全可微分析的补充方法。我们使用 PyTorch 实现了该工作，并向用户提供包含全部代码和训练示例的公共仓库的完全访问权限。
引用
@article{arxiv.2110.00810,
title = {Punzi-loss: A non-differentiable metric approximation for sensitivity optimisation in the search for new particles},
author = {P. Feichtinger and H. Haigh and G. Inguglia and J. Kahn and F. Abudinén and M. Bertemes and S. Bilokin and M. Campajola and G. Casarosa and S. Cunliffe and L. Corona and M. De Nuccio and G. De Pietro and S. Dey and M. Eliachevitch and T. Ferber and J. Gemmler and P. Goldenzweig and A. Gottmann and E. Graziani and M. Hohmann and T. Humair and T. Keck and I. Komarov and J. -F. Krohn and T. Kuhr and S. Lacaprara and K. Lieret and R. Maiti and A. Martini and F. Meier and F. Metzner and M. Milesi and S. -H. Park and M. Prim and C. Pulvermacher and M. Ritter and Y. Sato and C. Schwanda and W. Sutcliffe and U. Tamponi and F. Tenchini and P. Urquijo and L. Zani and R. Žlebčík and A. Zupanc},
journal= {arXiv preprint arXiv:2110.00810},
year = {2022}
}
备注
submitted to EPJC