SCYNet：利用神经网络在 LHC 上检验超对称模型
高能物理 - 唯象学
2017-11-22 v2 高能物理 - 实验
摘要
SCYNet (SUSY Calculating Yield Net) 是一个利用 LHC 数据检验超对称模型的工具。它使用神经网络回归来快速评估轮廓似然比。目前已开发了两种神经网络方法：一种网络以 11 维现象学最小超对称标准模型 (pMSSM-11) 的参数作为输入，并可在毫秒内评估相应的轮廓似然比。因此，它可用于全局 pMSSM-11 拟合而不会产生时间惩罚。在第二种方法中，神经网络使用与模型无关的、与信号相关的对象（如能量和粒子多重数）进行训练，这些对象是根据给定新物理模型的参数估算出来的。尽管能量和粒子多重数的计算需要耗费计算时间，但相应的神经网络更具通用性，可用于预测更广泛的新物理模型类别的 LHC 轮廓似然比。
引用
@article{arxiv.1703.01309,
title = {SCYNet: Testing supersymmetric models at the LHC with neural networks},
author = {Philip Bechtle and Sebastian Belkner and Daniel Dercks and Matthias Hamer and Tim Keller and Michael Krämer and Björn Sarrazin and Jan Schütte-Engel and Jamie Tattersall},
journal= {arXiv preprint arXiv:1703.01309},
year = {2017}
}
备注
19 pages, 15 figures; References added for V2, version submitted to EPJC