卷积神经网络在粒子物理实验信号-本底分类中的应用
高能物理 - 实验
2020-12-08 v1 机器学习
摘要
卷积神经网络(CNNs)在图像分类上的成功促使人们研究其在粒子物理实验所获图像数据分类中的使用。在此,我们讨论将 CNNs 应用于来自粒子物理实验的 2D 和 3D 图像数据以区分信号与本底的努力。在这项工作中,我们提出了广泛的卷积神经架构搜索,基于来自 Ice Cube 中微子天文台和类 ATLAS 探测器的模拟数据,针对一个 HEP 分类用例实现了信号/本底判别的高精度。我们除其他外证明,我们可以用参数更少的 CNNs 达到与复杂 ResNet 架构相同的精度,并给出了计算需求、训练和推断时间的比较。
引用
@article{arxiv.2002.05761,
title = {The use of Convolutional Neural Networks for signal-background classification in Particle Physics experiments},
author = {Venkitesh Ayyar and Wahid Bhimji and Lisa Gerhardt and Sally Robertson and Zahra Ronaghi},
journal= {arXiv preprint arXiv:2002.05761},
year = {2020}
}
备注
Contribution to Proceedings of CHEP 2019, Nov 4-8, Adelaide, Australia