权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

LHC・ATLAS実験データ解析における深層学習の発展

深度学习在LHC/ATLAS实验数据分析中的发展

基本信息

批准号：
21K13936
负责人：
齊藤真彦
金额：
$ 1.91万
依托单位：
The University of Tokyo
依托单位国家：
日本
项目类别：
Grant-in-Aid for Early-Career Scientists
财政年份：
2021
资助国家：
日本
起止时间：
2021-04-01 至 2024-03-31
项目状态：
已结题

来源：
https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-21K13936/
关键词：
素粒子物理学 ATLAS実験機械学習深層学習

项目摘要

本研究の目的は高エネルギー実験における実験データ解析に深層学習、特に実験データの構造を踏まえた深層学習モデルを適用することで、解析性能の向上、および説明可能性の向上を目指すことである。本年度は、昨年度に引き続きヒッグス粒子が2つのタウ粒子に崩壊する過程に着目し、複数の検出器信号からタウ粒子を同定する深層学習モデル、およびタウ粒子を含む複数の粒子群からヒッグス粒子を同定する深層学習モデルの2つの目的の異なる深層学習モデルを構築し、それらを直列につなげて全体を最適化させる研究を進めた。２つの深層学習モデルを接続する際、一方のモデルの出力がもう一方のモデルの入力となるように直接接続すると、後段モデルの性能が劣化する。深層学習モデルをマルチタスク学習のような形式で接続し学習させることで、多段の教師データが与えられているこの問題特有の構造を生かし、かつ後段モデルの予測性能劣化を緩和できることを実験的に示した。またマルチタスク学習の形式を用いることで、モデルの学習手法としてマルチタスク学習の手法を応用することが可能となり、複数モデルの効率的な学習が可能となることも実験的に示した。深層学習を用いた異常検知の手法を素粒子物理実験の問題に適用する研究も推進した。特に、正規化流を用いた異常検知手法を題材に、用いる正規化流モデルの種類(Masked Autoregressive Flow、Spline Flow等)やモデルのハイパーパラメータ(ブロック数や内部パラメータの数)の最適化が異常検知の性能にどのような影響を与えるのかを調査した。

The purpose of this study is to improve the analytical performance of deep learning, to improve the structure of deep learning, to improve the analytical performance, and to improve the possibility of explanation. This year, we have made progress in the research on the optimization of the whole process of particle aggregation, particle identification, particle identification. 2. Deterioration in performance of deep learning during connection, input force during connection, and post-connection. Deep learning is a form of continuous learning, multi-stage teacher training and problem-specific structure, and post-stage prediction performance degradation is mitigated. The method of learning can be used in multiple ways. Deep learning is applied to the problem of particle physics. In particular, normalized flow is used to investigate the impact and optimization of anomaly detection performance by investigating the type of anomaly detection methods (Masked Autoregressive Flow, Split Flow, etc.), the number of anomaly detection methods, and the number of anomaly detection methods.

项目成果

期刊论文数量（5）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

マルチタスク学習としての多段深層学習モデルの学習

将多阶段深度学习模型学习为多任务学习

DOI：
发表时间：
2022
期刊：
影响因子：
0
作者：
Masahiko Saito;Tomoe Kishimoto;Yuya Kaneta;Taichi Itoh;Yoshiaki Umeda;Junichi Tanaka;Yutaro Iiyama;Ryu Sawada and Koji Terashi;Masahiko Saito;齊藤真彦;齊藤真彦
通讯作者：
齊藤真彦

素粒子物理実験における多段深層学習モデルの学習

粒子物理实验中多阶段深度学习模型的训练

DOI：
发表时间：
2022
期刊：
影响因子：
0
作者：
Masahiko Saito;Tomoe Kishimoto;Yuya Kaneta;Taichi Itoh;Yoshiaki Umeda;Junichi Tanaka;Yutaro Iiyama;Ryu Sawada and Koji Terashi;Masahiko Saito;齊藤真彦
通讯作者：
齊藤真彦

Study of model construction and the learning for hierarchical models

模型构建和分层模型学习的研究

DOI：
发表时间：
2022
期刊：
影响因子：
0
作者：
Masahiko Saito;Tomoe Kishimoto;Yuya Kaneta;Taichi Itoh;Yoshiaki Umeda;Junichi Tanaka;Yutaro Iiyama;Ryu Sawada and Koji Terashi;Masahiko Saito
通讯作者：
Masahiko Saito

Event Classification with Multi-step Machine Learning

DOI：
10.1051/epjconf/202125103036
发表时间：
2021-06
期刊：
ArXiv
影响因子：
0
作者：
M. Saito;T. Kishimoto;Yuya Kaneta;Taichi Itoh;Yoshiaki Umeda;J. Tanaka;Y. Iiyama;R. Sawada
通讯作者：
M. Saito;T. Kishimoto;Yuya Kaneta;Taichi Itoh;Yoshiaki Umeda;J. Tanaka;Y. Iiyama;R. Sawada