Full Event Particle-Level Unfolding with Variable-Length Latent Variational Diffusion

要約

素粒子物理学実験によって実行される測定では、相互作用の観察に使用される検出器の不完全な応答を考慮する必要があります。
1 つのアプローチであるアンフォールディングでは、検出器の効果に対して実験データを統計的に調整します。
最近、生成機械学習モデルは、高次元でのビンなし展開の実行に有望であることが示されています。
ただし、現在のすべての生成アプローチは、固定されたオブザーバブルのセットの展開に限定されているため、コライダー データの可変次元環境で完全なイベントの展開を実行できません。
生成的アンフォールディングに対する変分潜在拡散モデル (VLD) アプローチへの新しい修正が提示され、高次元および可変次元の特徴空間のアンフォールディングが可能になります。
この方法の性能は、大型ハドロン衝突型加速器でのセミレプトニックトップクォークペアの生成に関連して評価されます。

要約(オリジナル)

The measurements performed by particle physics experiments must account for the imperfect response of the detectors used to observe the interactions. One approach, unfolding, statistically adjusts the experimental data for detector effects. Recently, generative machine learning models have shown promise for performing unbinned unfolding in a high number of dimensions. However, all current generative approaches are limited to unfolding a fixed set of observables, making them unable to perform full-event unfolding in the variable dimensional environment of collider data. A novel modification to the variational latent diffusion model (VLD) approach to generative unfolding is presented, which allows for unfolding of high- and variable-dimensional feature spaces. The performance of this method is evaluated in the context of semi-leptonic top quark pair production at the Large Hadron Collider.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google