SciPost物理学

SciPost物理学。8，090（2020）·2020年6月23日出版

• doi:10.21468/科学期刊物理版8.6.090
• pdf格式
• BiBTeX公司
• 里斯
• 提交文件/报告
• 

摘要

深度学习工具可以将所有可用信息合并到搜索新粒子中，从而充分利用可用数据。本文回顾了如何将信息与深度学习进行最佳整合，并明确描述了相应的不确定性来源。简单的示例说明了如何在实践中应用这些概念。

• 马西特等。,一个支持因子分解的矩阵元素仿真器
  J.高能物理。2021, 66 (2021)[交叉参考]
• 阿拉斯等。,发布无约束微分横截面结果
  J.仪器。17，P01024（2022）[交叉参考]
• 维特科夫斯基等。,学习分离数据中的μ介子
  物理学。版次D108, 092008 (2023)[交叉参考]
• 恩盖朗巴姆等。,用于LHC数据推断和分类的可解释深度学习模型
  J.高能物理。2024, 4 (2024)[交叉参考]
• 里兹维等。,用神经网络分类器学习似然比
  J.高能物理。2024, 136 (2024)[交叉参考]
• 阿肯巴赫等。,QCD的现状与未来
  核物理A1047, 122874 122874 (2024)[交叉参考]
• 康奈尔大学等。,新物理时代的增强决策树：一个蓝精灵分析案例研究
  J.高能物理。2022, 15 (2022)[交叉参考]
• 安德鲁斯等。,基于CMS开放数据的端到端物理事件分类：应用基于图像的深度学习对探测器数据进行LHC碰撞事件的直接分类
  计算软件大科学4, 6 (2020)[交叉参考]
• 贝拉根特等。,通过不确定性了解事件生成网络
  SciPost物理学。13, 003 (2022)[交叉参考]
• 比萨拉等。,用于更快事件生成的机器学习幅度
  物理学。版次D107，L071901（2023）[交叉参考]
• 卡西奇卡等。,使用深度学习校准的每对象系统学
  SciPost物理学。9, 089 (2020)[交叉参考]
• 黄油等。,机器学习和LHC事件生成
  SciPost物理学。14, 079 (2023)[交叉参考]
• 水龙头等。,将机器学习的物理映射到人类可读的空间
  物理学。版次D103，036020（2021）[交叉参考]
• 塞拉等。,电磁热量计的深度学习研究
  算法15, 115 (2022)[交叉参考]
• 高希等。,高能物理中的不确定性机器学习
  物理学。版次D104, 056026 (2021)[交叉参考]
• 狄龙等。,学习潜在喷气结构
  对称13, 1167 (2021)[交叉参考]
• 高希等。,解除理论不确定性关联的警示故事
  欧洲物理学。J.C公司82, 46 (2022)[交叉参考]
• 纳奇曼等。,保留不确定性的蒙特卡罗重加权神经重采样器
  物理学。版次D102, 076004 (2020)[交叉参考]
• 阿拉兹等。,结合与征服：基于贝叶斯集成神经网络的事件重构
  J.高能物理。2021, 296 (2021)[交叉参考]
• 狄龙等。,学习对撞机事件的潜在结构
  J.高能物理。2020, 206 (2020)[交叉引用]
• 卡拉乔奇等。,探索新基础物理的机器学习
  Nat Rev Phys公司4, 399 (2022)[交叉参考]
• 卡西奇卡等。,喷射子结构的机器学习分析
  J.高能物理。2020, 195 (2020)[交叉参考]
• 张（音译）等。,强子喷流分类的普遍性探讨
  欧洲物理学会。J.C公司82, 1162 (2022)[交叉参考]
• 科纳尔等。,能量加权信息传递：一种红外共线安全图神经网络算法
  J.高能物理。2022, 60 (2022)[交叉参考]
• 查克拉瓦蒂等。,使用可解释半监督分类器测试的新物理信号的模型相关检测
  附录申请。斯达。17, (2023)[交叉参考]
• 阿甘达等。,用机器学习似然逼近最优统计显著性的方法
  欧洲物理学。J.C公司82, 993 (2022)[交叉参考]
• 卡梅尼克等。,异常检测的空假设检验
  物理字母B840, 137836 137836 (2023)[交叉参考]
• 甘比尔等。,高能物理机器学习校准中的偏差和先验
  物理学。版次D106, 036011 (2022)[交叉参考]
• 伯尔鲁特等。,撒网捕雨
  SciPost物理学。10，046（2021）[交叉参考]
• 黄油等。,精准爱好者的生成网络
  SciPost物理学。14, 078 (2023)[交叉参考]
• 阿甘达等。,无装箱的机器赢得的排除限值
  欧洲物理学。J.C公司83，1158（2023）[交叉引用]