暗机器异常分数挑战:大型强子对撞机上的基准数据与模型无关事件分类
高能物理 - 唯象学
2022-02-02 v3 高能物理 - 实验
数据分析、统计与概率
机器学习
摘要
我们描述了作为暗机器倡议和 2019 年 Les Houches TeV 对撞机物理研讨会一部分开展的数据挑战的结果。该挑战旨在利用无监督机器学习算法在 LHC 上探测新物理信号。首先,我们提出如何实现异常分数以定义 LHC 搜索中模型无关的信号区。我们定义并描述了一个大型基准数据集,由对应于质心能量 13 TeV 质子-质子碰撞 的 >10 亿模拟 LHC 事件组成。随后我们回顾了在数据挑战背景下开发的广泛异常检测与密度估计算法,并在一组现实分析环境中测量了它们的性能。我们得出了若干有用结论,将有助于 LHC 第三运行期无监督新物理搜索的发展,并在 https://www.phenoMLdata.org 提供我们的基准数据集以供未来研究。用于复现分析的代码见 https://github.com/bostdiek/DarkMachines-UnsupervisedChallenge。
引用
@article{arxiv.2105.14027,
title = {The Dark Machines Anomaly Score Challenge: Benchmark Data and Model Independent Event Classification for the Large Hadron Collider},
author = {T. Aarrestad and M. van Beekveld and M. Bona and A. Boveia and S. Caron and J. Davies and A. De Simone and C. Doglioni and J. M. Duarte and A. Farbin and H. Gupta and L. Hendriks and L. Heinrich and J. Howarth and P. Jawahar and A. Jueid and J. Lastow and A. Leinweber and J. Mamuzic and E. Merényi and A. Morandini and P. Moskvitina and C. Nellist and J. Ngadiuba and B. Ostdiek and M. Pierini and B. Ravina and R. Ruiz de Austri and S. Sekmen and M. Touranakou and M. Vaškevičiūte and R. Vilalta and J. R. Vlimant and R. Verheyen and M. White and E. Wulff and E. Wallin and K. A. Wozniak and Z. Zhang},
journal= {arXiv preprint arXiv:2105.14027},
year = {2022}
}
备注
v1: 54 pages, 24 figures. v2: 56 pages, citations added, extend discussion of look-elsewhere-effect, results unchanged; v3. minor typos and updated references