Deeply learning deep inelastic scattering kinematics
Deeply learning deep inelastic scattering kinematics
复制标题
深度学习深度非弹性散射运动学
DOI：
10.1140/epjc/s10052-022-10964-z
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
Xu, Yuesheng
中科院分区：
文献类型：
--
作者：
Diefenthaler, Markus;Farhat, Abdullah;Verbytskyi, Andrii;Xu, Yuesheng
我们研究了使用深度学习技术来重建电子-质子碰撞中中性流深度非弹性散射（DIS）过程的运动学。特别是，我们使用来自HERA加速器设施的ZEUS实验的模拟数据，并训练深度神经网络来重建运动学变量andx。我们的方法是基于在经典的建设方法，散射轻子的测量，和强子的最终状态的检测器中使用的信息，但通过相关性和模式显示与模拟数据集增强。我们表明，适当选择的训练集，神经网络充分超过所有经典的重建方法的运动学范围考虑的大部分。快速访问大量模拟数据样本以及神经网络从大型数据集中有效提取信息的能力都表明，用于重建DIS运动学的深度学习技术可以作为一种严格的方法来联合收割机并优于经典重建方法。
We study the use of deep learning techniques to reconstruct the kinematics of the neutral current deep inelastic scattering (DIS) process in electron–proton collisions. In particular, we use simulated data from the ZEUS experiment at the HERA accelerator facility, and train deep neural networks to reconstruct the kinematic variablesandx. Our approach is based on the information used in the classical construction methods, the measurements of the scattered lepton, and the hadronic final state in the detector, but is enhanced through correlations and patterns revealed with the simulated data sets. We show that, with the appropriate selection of a training set, the neural networks sufficiently surpass all classical reconstruction methods on most of the kinematic range considered. Rapid access to large samples of simulated data and the ability of neural networks to effectively extract information from large data sets, both suggest that deep learning techniques to reconstruct DIS kinematics can serve as a rigorous method to combine and outperform the classical reconstruction methods.
登录
查看更多内容
CERN/苏黎世联邦理工学院/伯尔尼大学（瑞士）
DOI：
--
发表时间：
--
期刊：
影响因子：
--
作者：
通讯作者：
--
帕顿在 lepto 生产活动中阵雨
DOI：
10.1007/bf01578142
发表时间：
1988
期刊：
Zeitschrift für Physik C Particles and Fields
影响因子：
--
作者：
M. Bengtsson;T. Sjöstrand
通讯作者：
T. Sjöstrand
影响因子：
4.4
作者：
Abramowicz, H.;Abt, I.;Zotkin, D. S.
通讯作者：
Zotkin, D. S.
HERA 的低 $Q^2$ 喷气机以及 XFEL 硅传感器的辐射损伤研究
影响因子：
5.4
作者：
H. Perrey
通讯作者：
H. Perrey
影响因子：
2.8
作者：
GUSTAFSON, G;PETTERSSON, U
通讯作者：
PETTERSSON, U