Training Deep 3D Convolutional Neural Networks to Extract BSM Physics Parameters Directly from HEP Data: a Proof-of-Concept Study Using Monte Carlo Simulations

要約

我々は、高エネルギー物理学 (HEP) フレーバー データから標準モデル (BSM) を超えたパラメータを直接抽出する、コンピューター ビジョン技術の新しい応用について報告します。
私たちは、角度分布と運動学的分布を「擬似画像」に変換する方法を開発します。これは、フィッティングと同様の回帰タスクを実行するように畳み込みニューラル ネットワークをトレーニングするために使用できます。
これは、HEP で ML/AI を使用して実行される通常の分類機能とは対照的です。
概念実証として、これらの画像を回帰するように 34 層の残差ニューラル ネットワークをトレーニングし、$B \rightarrow K^{*} の MC (モンテカルロ) シミュレーションでウィルソン係数 $C_{9}$ を決定します。
\mu^{+}\mu^{-}$ が崩壊します。
ここで説明する手法は一般化することができ、さまざまな HEP 実験やその他の場所に適用できる可能性があります。

要約(オリジナル)

We report on a novel application of computer vision techniques to extract beyond the Standard Model (BSM) parameters directly from high energy physics (HEP) flavor data. We develop a method of transforming angular and kinematic distributions into ‘quasi-images’ that can be used to train a convolutional neural network to perform regression tasks, similar to fitting. This contrasts with the usual classification functions performed using ML/AI in HEP. As a proof-of-concept, we train a 34-layer Residual Neural Network to regress on these images and determine the Wilson Coefficient $C_{9}$ in MC (Monte Carlo) simulations of $B \rightarrow K^{*}\mu^{+}\mu^{-}$ decays. The technique described here can be generalized and may find applicability across various HEP experiments and elsewhere.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google