用于堆积本底噪声去除的半监督图神经网络
高能物理 - 实验
2023-02-15 v1
摘要
欧洲核子研究中心大型强子对撞机的高瞬时亮度导致在同一或邻近束团交叉中产生多个质子-质子相互作用（堆积本底）。先进的堆积本底消减算法旨在从堆积本底粒子中去除此类噪声，并改善关键物理观测量性能。本研究通过识别由堆积本底产生的单个粒子，实现了一种用于粒子级堆积本底噪声去除的半监督图神经网络。该图神经网络首先在具有已知标签的带电粒子上训练，这些标签可从数据或模拟的探测器测量中获得，然后对缺失此类标签的中性粒子进行推断。这种半监督方法不依赖于模拟中的真值信息，因此允许我们直接在实验数据上训练。发现该方法的性能始终优于广泛使用的领域算法，且与使用模拟真值信息的全监督训练相当。该研究是首次尝试将半监督学习技术应用于堆积本底消减，并为完全数据驱动的机器学习堆积本底消减研究开辟了新方向。
引用
@article{arxiv.2203.15823,
title = {Semi-supervised Graph Neural Networks for Pileup Noise Removal},
author = {Tianchun Li and Shikun Liu and Yongbin Feng and Garyfallia Paspalaki and Nhan Tran and Miaoyuan Liu and Pan Li},
journal= {arXiv preprint arXiv:2203.15823},
year = {2023}
}