Effective LHC measurements with matrix elements and machine learning
Effective LHC measurements with matrix elements and machine learning
复制标题
利用矩阵元素和机器学习进行有效的大型强子对撞机测量
DOI：
10.1088/1742-6596/1525/1/012022
复制
发表时间：
2020
期刊：
影响因子：
--
通讯作者：
Pavez, J.
中科院分区：
文献类型：
--
作者：
Brehmer, J.;Cranmer, K.;Espejo, I.;Kling, F.;Louppe, G.;Pavez, J.
大型强子对撞机传统测量的一个主要挑战是，当收集的数据是高维数据时，似然函数不容易处理，并且必须对探测器响应进行建模。我们回顾了不同的分析策略是如何解决这个问题的，包括在大多数粒子物理分析中使用的传统直方图方法，矩阵元素方法，最优观察值，以及基于神经密度估计的现代技术。然后，我们讨论了强大的新推理方法，使用矩阵元素信息和机器学习的组合来准确估计似然函数。MadMiner程序包自动执行所有必要的数据处理步骤。在最初的研究中，我们发现这些新技术有可能大幅提高大型强子对撞机遗留测量的灵敏度。
One major challenge for the legacy measurements at the LHC is that the likelihood function is not tractable when the collected data is high-dimensional and the detector response has to be modeled. We review how different analysis strategies solve this issue, including the traditional histogram approach used in most particle physics analyses, the Matrix Element Method, Optimal Observables, and modern techniques based on neural density estimation. We then discuss powerful new inference methods that use a combination of matrix element information and machine learning to accurately estimate the likelihood function. The MadMiner package automates all necessary data-processing steps. In first studies we find that these new techniques have the potential to substantially improve the sensitivity of the LHC legacy measurements.