利用深度学习进行拓扑分类以改善 LHC 上的实时事例选择
高能物理 - 实验
2019-12-06 v3 机器学习
高能物理 - 唯象学
数据分析、统计与概率
摘要
我们展示了基于深度学习的事件拓扑分类如何用于改善大型强子对撞机（LHC）上实时所选数据样本的纯度。我们考虑了不同的数据表示，并在其上训练了不同类型的多类分类器。原始数据和高层特征均被利用。在所考虑的示例中，基于分类器得分的过滤器可被训练为保留约 99% 的有趣事件，并将某些背景过程的假阳性率降低多达一个数量级。通过将该过滤器作为 LHC 实验在线事件选择基础设施的一部分运行，人们可以受益于更灵活且包容的选择策略，同时减少下游处理假阳性所浪费的资源。节省的资源可转化为探测器运行成本的降低，或存储与处理能力的有效提升，进而可重新投入以扩展 LHC 实验的物理探测范围。
引用
@article{arxiv.1807.00083,
title = {Topology classification with deep learning to improve real-time event selection at the LHC},
author = {Thong Q. Nguyen and Daniel Weitekamp and Dustin Anderson and Roberto Castello and Olmo Cerri and Maurizio Pierini and Maria Spiropulu and Jean-Roch Vlimant},
journal= {arXiv preprint arXiv:1807.00083},
year = {2019}
}
备注
This is a pre-print of an article published in Computing and Software for Big Science. The final authenticated version is available online at: https://doi.org/10.1007/s41781-019-0028-1