[论文解读] Modern Machine Learning for LHC Physicists

Tilman Plehn, Anja Butter+4 more|arXiv (Cornell University)|Nov 2, 2022

Particle physics theoretical and experimental studies被引用 33

一句话总结

讲义笔记，展示如何将现代机器学习技术应用于大强子对撞机（LHC）物理学，强调损失函数、具不确定性感知的网络，以及从分类到生成模型和推理的应用。

ABSTRACT

Depending on the point of view, modern machine learning is either providing an unprecedented boost to the numerical methods of particle physics, or it is transforming the way we do science with vast amounts of complex data. In any case, it is crucial for young researchers to stay on top of this development and apply cutting-edge methods and tools to all LHC physics tasks. These lecture notes lead students with basic knowledge of particle physics and significant enthusiasm for machine learning to relevant applications. They start with an LHC-specific motivation and a non-standard introduction to neural networks and then cover classification, unsupervised classification, generative networks, data representations, and inverse problems. Three themes defining much of the discussion are statistically defined loss functions, uncertainties, and accuracy. To understand the applications, the notes include some aspects of theoretical LHC physics. All examples are chosen from particle physics publications of the last few years, and many of them come with corresponding tutorials.

研究动机与目标

• 激发LHC研究人员在高亮度LHC（HL-LHC）时代采用前沿的ML工具，面对海量数据集并实现精确的不确定性控制。
• 提供面向喷注物理、事件和模拟的LHC特定神经网络及ML概念介绍。
• 在LHC背景下对分类、无监督学习、生成和反问题的ML方法进行综述。
• 突出在LHC分析中定义良好的损失函数和具不确定性感知的网络的重要性。
• 将ML发展与理论LHC物理及近年已发表工作的实际应用联系起来。

提出的方法

• 以ML术语讨论数据记录和触发作为数据压缩和异常检测问题。
• 描述喷注和事件重建，以及ML如何提升粒子鉴别、降噪和喷注标记。
• 概述LHC仿真链（硬散射到探测器），以及ML如何加速和改进正向仿真与不确定性处理。
• 介绍基于ML的方法用于分类（CNN、图神经网络、变换器）、无监督分类、生成模型（VAE、GAN、归一化流）和逆问题。
• 在 ML 增强的正向建模背景下，解释基于模拟的推断、似然提取和矩阵元方法。
• 强调不确定性处理（统计性与系统性、本征不确定性与认知不确定性）及其在训练和推断中的整合。

实验结果

研究问题

• RQ1 如何在从触发到探测器层分析的LHC数据管道中整合ML，同时保持物理解释性？
• RQ2 哪些ML架构和损失函数在喷注标记、事件分类和异常检测方面对LHC数据最有效？
• RQ3 如何使用基于ML的推断和流方法对前向仿真和探测器效应进行反演或展开？
• RQ4 怎样在LHC的ML可观测量和分析中整合不确定性量化（统计性、系统性、本征不确定性、认知不确定性）？
• RQ5 生成模型和基于仿真的推断在实现精确、快速且灵活的LHC预测中扮演什么角色？

主要发现

• ML方法正在迅速改变LHC的喷注标记、事件分类和异常搜索。
• 定义良好的物理信息损失函数和具不确定性感知的网络是LHC分析中鲁棒ML应用的核心。
• 生成模型（VAE、GAN、归一化流）使得快速事件生成和改进的正向仿真成为可能，并且可控不确定性。
• 逆问题和基于仿真的推断为从复杂的LHC数据中提取似然和最优观测量提供路径。
• 通过ML增强的矩阵元方法视角可以实现更精确的参数提取和假设检验。
• 笔记倡导不断更新并与当前发表的文献保持一致，以使ML4Jets相关实践保持前沿。