减少高能核物理信号提取中机器学习应用的系统偏差
核实验
2025-11-14 v1 高能物理 - 实验
摘要
机器学习技术因其卓越的性能而日益被应用于高能核物理数据分析。但关键挑战在于构建能够准确代表真实数据的训练样本。训练样本通常通过探测器模拟生成，但模拟数据与真实数据的差异可能导致机器学习性能下降和结果产生系统性偏差。本文引入了两种方法：i）累积分布函数映射和 ii）平移-缩放，以将模拟信号与真实数据对齐，从而有助于消除上述问题。我们以 STAR 实验在 200 GeV Ru+Ru 和 Zr+Zr 碰撞中 J/ψ 产率测量为例，演示了所提方法的应用与效果。
引用
@article{arxiv.2511.10028,
title = {Reducing Systematic Bias in Machine Learning Applications to Signal Extraction in High-Energy Nuclear Physics},
author = {Yan Wang and Rangrong Ma and Kaifeng Shen and Zebo Tang and Wangmei Zha},
journal= {arXiv preprint arXiv:2511.10028},
year = {2025}
}