Learning to isolate muons
Learning to isolate muons
复制标题
学习分离μ子
DOI：
10.1007/jhep10(2021)200
复制
发表时间：
2021
影响因子：
5.4
通讯作者：
Baldi, Pierre
中科院分区：
文献类型：
--
作者：
Collado, Julian;Bauer, Kevin;Witkowski, Edmund;Faucett, Taylor;Whiteson, Daniel;Baldi, Pierre
区分重玻色子衰变中产生的瞬发μ子和与重味射流产生相关的μ子是对撞机物理数据分析中的一项重要任务。我们探索热量计沉积物中是否存在隔离锥标准方法无法捕获的可用信息。我们发现访问量热计单元的卷积网络和粒子流网络超过了隔离锥的性能，这表明μ子周围的量热计沉积物的径向能量分布和角结构包含未使用的辨别能力。我们组装了一小组高级可观测值，它们总结了量热计信息，并缩小了与直接分析量热计单元的网络的性能差距。这些可观测值在理论上是明确定义的，可以使用对撞机数据进行研究。
Distinguishing between prompt muons produced in heavy boson decay and muons produced in association with heavy-flavor jet production is an important task in analysis of collider physics data. We explore whether there is information available in calorimeter deposits that is not captured by the standard approach of isolation cones. We find that convolutional networks and particle-flow networks accessing the calorimeter cells surpass the performance of isolation cones, suggesting that the radial energy distribution and the angular structure of the calorimeter deposits surrounding the muon contain unused discrimination power. We assemble a small set of high-level observables which summarize the calorimeter information and close the performance gap with networks which analyze the calorimeter cells directly. These observables are theoretically well-defined and can be studied with collider data.
登录
查看更多内容
科学中的深度学习
影响因子：
5
作者：
Pierre Baldi
通讯作者：
Pierre Baldi
使用 ATLAS 和 CMS 探测器以极其压缩的光谱搜索超对称性
影响因子：
--
作者：
R. Schöfbeck;Cms Collaborations
通讯作者：
Cms Collaborations
神经网络架构
DOI：
10.1201/b10604-9
发表时间：
2001
期刊：
Radiopaedia.org
影响因子：
--
作者：
Bogdan M. Wilamowski
通讯作者：
Bogdan M. Wilamowski
影响因子：
5.4
作者：
E. Metodiev;B. Nachman;J. Thaler
通讯作者：
E. Metodiev;B. Nachman;J. Thaler
光子隔离和喷射子结构
影响因子：
5.4
作者：
Z. Hall;J. Thaler
通讯作者：
J. Thaler