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、高エネルギー物理フレーバーデータから標準モデルパラメータを超えて直接抽出する、コンピュータビジョン技術の新しい応用について報告する。
角度分布と運動学的分布を「準画像」に変換する、シンプルだが斬新なデータ表現を提案します。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されます。
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^0 \rightarrow K^{* のモンテカルロ シミュレーションにおけるウィルソン係数 $C_{9}$ に関する情報を決定します。
0}\mu^{+}\mu^{-}$ が減衰します。
ここで説明する方法は一般化することができ、さまざまな実験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 parameters directly from high energy physics flavor data. We propose a simple but novel data representation that transforms the angular and kinematic distributions into ‘quasi-images’, which are used to train a convolutional neural network to perform regression tasks, similar to fitting. As a proof-of-concept, we train a 34-layer Residual Neural Network to regress on these images and determine information about the Wilson Coefficient $C_{9}$ in Monte Carlo simulations of $B^0 \rightarrow K^{*0}\mu^{+}\mu^{-}$ decays. The method described here can be generalized and may find applicability across a variety of experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google