利用深度神经网络从大亚湾中微子实验揭示基础物理
机器学习
2017-05-10 v3 机器学习
数据分析、统计与概率
摘要
粒子物理实验产生海量数据，须由物理学家团队进行分析与解释。此类分析常为探索性的，科学家在实验前无法枚举可能的信号类型。因此，用于高维数据汇总、聚类、可视化与分类的工具至关重要。本工作中，我们以大亚湾中微子实验的测量为案例研究，展示通过深度神经网络将原始数据转换为学习到的高级表示，可揭示有意义的物理内容。我们进一步展示卷积深度神经网络如何提供有效的分类滤波器，在不同类别物理事件间达到超过97%的准确率，显著优于其他机器学习方法。
引用
@article{arxiv.1601.07621,
title = {Revealing Fundamental Physics from the Daya Bay Neutrino Experiment using Deep Neural Networks},
author = {Evan Racah and Seyoon Ko and Peter Sadowski and Wahid Bhimji and Craig Tull and Sang-Yun Oh and Pierre Baldi and Prabhat},
journal= {arXiv preprint arXiv:1601.07621},
year = {2017}
}