高能物理学中基于逻辑门神经网络的快速推断用于异常检测
仪器与探测器
2025-11-05 v1 高能物理 - 实验
摘要
大型强子对撞机（LHC）检测器的数据率和复杂度不断增加，亟需快速高效的机器学习模型，尤其是用于快速选择需存储的数据，称为触发。基于可微分逻辑门的最新工作，我们提出了卷积可微分逻辑门神经网络（CLGN）的公开实现。我们将其应用于CMS Level-1触发器的异常检测，使用CICADA项目的公开数据。我们展示CLGN在物理性能上与传统量化神经网络相当或更优。我们还合成了用于Field可编程阵列（FPGA）的LGN，显示出令人鼓舞的FPGA特征，尤其是零数字信号处理器（DSP）资源使用。本工作凸显了逻辑门网络在高能物理及更广泛领域实现高速、在探测器内推断的潜力。
引用
@article{arxiv.2511.01908,
title = {Rapid Inference of Logic Gate Neural Networks for Anomaly Detection in High Energy Physics},
author = {Lino Gerlach and Elliott Kauffman and Liv Helen Våge and Isobel Ojalvo},
journal= {arXiv preprint arXiv:2511.01908},
year = {2025}
}