树与神经网络用于增强质子对质子碰撞中的陶实时选择

科学领域:

• 高能物理 高能物理
• 粒子物理学 粒子物理学
• 机器学习应用 机器学习应用

背景情况:

• 在高能物理实验中,实时选择粒子对于数据采集至关重要.
• 基于规则的标准触发者对斑质子的性能和灵敏度都有局限性.
• 识别低能子具有挑战性,但对于发现新的物理现象至关重要.

研究的目的:

• 引入和评估实时tau lepton触发的监督学习技术.
• 将传统机器学习和深度学习模型的性能与标准触发器进行比较.
• 为了证明如何改进触发可以提高灵敏度在新的物理学搜索.

主要方法:

• 实施监督学习算法,包括决策树和深度学习模型 (多层感知器,残余神经网络).
• 将这些模型应用于在质子对质子碰撞机数据中实时选择hadronically衰变的陶氏子.
• 对模型性能与已建立的基于规则的tau触发器进行比较分析.

主要成果:

• 与标准触发器相比,使用决策树和深度学习模型观察到明显的性能改善.
• 拟议的方法允许降低斑素的选择能量值.
• 深度学习模型,特别是神经网络,在tau触发的特定场景中显示出优势.

结论:

• 监督学习技术为质子对质子碰撞器中的陶引发提供了卓越的性能.
• 通过高级触发来降低能量值,增加了对涉及低能子的新物理学搜索的灵敏度.
• 神经网络和决策树之间的选择取决于tau触发器的特定要求,这些洞察力适用于其他物理问题.