面向高能物理的模拟到真实域适应
机器学习
2019-12-18 v1 机器学习
摘要
粒子物理或高能物理 (HEP) 研究物质的基本组成及其相互作用。机器学习 (ML) 在 HEP 分析中发挥了重要作用，并已在这一领域被证明极为成功。通常，ML 算法在实验装置的数值模拟上训练，然后应用于真实实验数据。然而，模拟与真实数据之间的任何差异都可能对算法在真实数据上的性能产生严重后果。在本文中，我们提出了一种使用在公开 HEP 数据上训练的域对抗神经网络 (Domain Adversarial Neural Network) 的域适应应用。我们证明了这种方法在实现模拟到真实迁移并确保 ML 算法在真实与模拟 HEP 数据集上性能一致性方面的成功。
引用
@article{arxiv.1912.08001,
title = {Sim-to-Real Domain Adaptation For High Energy Physics},
author = {Marouen Baalouch and Maxime Defurne and Jean-Philippe Poli and Noëlie Cherrier},
journal= {arXiv preprint arXiv:1912.08001},
year = {2019}
}
备注
Accepted at the NeurIPS 2019 workshop on Machine Learning for the Physical Sciences (https://ml4physicalsciences.github.io)