面向 CLAS 排他性双π光生数据的生成建模分析
高能物理 - 唯象学
2023-07-11 v1 高能物理 - 实验
核理论
摘要
AI 支持的算法，特别是生成模型，已成功用于多种不同语境。在这项工作中，我们首次证明生成对抗网络(GANs)可用于高能实验物理中从多粒子末态解卷探测器效应，同时在多维相空间中保持运动学变量间的相关性。我们在 Jefferson Lab CLAS g11 实验运动学下由现实模型生成的双π光生伪数据上进行了完整的闭合检验。导致相同末态的不同反应机制相互重叠，加之 CLAS 探测器的非平凡效应，构成了 AI 支持分析的理想测试用例。通过自助法(bootstrap)进行的不确定性量化给出了与该过程相关的系统不确定度估计。该检验表明，即使在训练数据集中存在探测器引起的畸变，GANs 也能重现高度相关的多重微分截面，并为将该框架应用于真实实验数据提供了坚实基础。
引用
@article{arxiv.2307.04450,
title = {Toward a generative modeling analysis of CLAS exclusive $2\pi$ photoproduction},
author = {T. Alghamdi and Y. Alanazi and M. Battaglieri and L. Bibrzycki and A. V. Golda and A. N. Hiller Blin and E. L. Isupov and Y. Li and L. Marsicano and W. Melnitchouk and V. I. Mokeev and G. Montana and A. Pilloni and N. Sato and A. P. Szczepaniak and T. Vittorini},
journal= {arXiv preprint arXiv:2307.04450},
year = {2023}
}
备注
14 pages, 20 figures