在LHC点云和图表上的自动特征提取的基础
Akanksha Bhardwaj1, Partha Konar2, Vishal Ngairangbam3
1Department of Physics, Oklahoma State University, Stillwater, OH 74078 USA.
The European physical journal. Special topics
|November 28, 2024
概括
深度学习对于大型强子对撞机 (LHC) 是至关重要的,它增强了模拟和分析. 灵感来自物理学的深度学习提供了超越专家直觉的优势,改善了特征提取和理解.
科学领域:
- 高能物理 高能物理
- 计算物理 计算物理
- 机器学习 机器学习
背景情况:
- 深度学习算法对于大型强子对撞机 (LHC) 实验越来越重要.
- 这些算法增强了探测器模拟和物理分析,包括寻找超越标准模型的物理.
- 深度学习处理高维数据的能力具有变革性,可能会自动化物理直观变量的设计.
研究的目的:
- 从现象学角度系统地审查粒子物理学中的自动特征提取.
- 探索开发物理灵感深度学习架构背后的动机,用于碰撞器物理.
- 讨论将先前的物理知识纳入特征提取的好处,特别是使用点云表示和基于图的方法.
主要方法:
- 在LHC现象学背景下对自动特征提取现有研究的系统审查.
- 与纯粹数据驱动的方法相比,物理启发的特征提取器的优点分析.
- 探索点云表示和基于图形的神经网络,用于LHC数据分析.
主要成果:
- 以物理为灵感的特征提取提供了显著的优势,包括更好的解释性和提取特征的定性理解.
- 从物理学的预先知识自然会导致有效的表示,如点云,对碰撞器数据.
- 基于图形的方法在LHC现象学中显示出先进应用的前景.
结论:
- 深度学习,特别是以物理为灵感的架构,对于推动LHC研究至关重要.
- 整合领域知识提高了机器学习模型在高能物理中的有效性和可解释性.
- 未来的工作重点应该是利用基于图形的方法和点云表示来进行复杂的LHC数据分析.
