Reconstruction and identification of $H\to WW^*$ with high transverse momentum in the full hadronic final state
这封信提出了一个重建和识别的高横动量的$H\to WW^*$,其中两个$W^{(*)}$玻色子衰变强子的研究。我们发现,助推$H\to WW^*$可以有效地重建为一个单一的射流,并确定使用射流的质心框架中的射流子结构。这样的重建和识别方法可以区分增强的$H\to WW^*$在全强子末态的QCD喷注。这一结果将大大提高实验灵敏度的搜索潜在的新的物理现象超越了标准模型在含有高度提升的希格斯玻色子玻色子的最终状态。
2021-02-24 hep-ex hep-ph
W-jet Tagging: Optimizing the Identification of Boosted Hadronically-Decaying W Bosons
本文提出了一种利用喷注子结构区分强增强子衰变W喷注和QCD喷注的方法。以前的方法,如过滤/质量下降方法,可以给一个因子的S/sqrt(B)的改善为喷注pT > 200 GeV。相比之下,包括新判别式(如R-核心)的多变量方法(其表征W-射流的形状、次射流平面流和修整灵敏度)显示出在S/sqrt(B)中提供了约5倍的更大的改进因子。对于纵向极化的W,例如来自许多新物理模型的W,区分度甚至更好。比较不同的蒙特卡罗模拟,我们观察到一些变量的敏感性的基础事件,然而,即使是保守的估计,多变量的方法是非常强大的。应用半轻子WW共振搜索和所有强子W+喷流搜索在大型强子对撞机进行了讨论。实现我们的W-jet标记算法的代码可在http://jets.physics.harvard.edu/wtag上公开获得
2011-05-10 hep-ex hep-ph
Playing Tag with ANN: Boosted Top Identification with Pattern Recognition
在大型强子对撞机(LHC)上,许多对标准模型之外的物理学的研究都依赖于顶标记算法,该算法可以区分强子顶夸克和更常见的由轻夸克和胶子引发的喷流。我们注意到,强子量能器(HCAL)有效地采取了“数字图像”的每一个喷流,与像素强度给出的能量沉积在个别HCAL细胞。从这个角度来看,顶部标记成为一个规范的模式识别问题。有了这个动机,我们提出了一种新的顶部标记算法的基础上,人工神经网络(ANN),最流行的方法之一,模式识别。人工神经网络的大样本的助推顶部和轻夸克/胶子喷流进行训练,然后应用到独立的测试样本。人工神经网络标记器在蒙特卡罗研究中表现出优异的性能:例如,对于p_T在1100-1200 GeV范围内的喷流,可以实现60%的顶部标记效率和4%的错误标记率。我们讨论的物理特征的喷流识别的人工神经网络标签作为最重要的分类,以及人工神经网络标签和一些熟悉的顶部标记观测值和算法之间的相关性。
2015-01-23 hep-ex hep-ph
Systematic Interpretability and the Likelihood for Boosted Top Quark Identification
本研究针对大型强子对撞机的增强型顶夸克识别问题,基于顶标记喷流的最小假设构建强耦合次领头阶的似然比判别观测量,通过解析与模拟验证其物理机制,提出可解释性方法并确立判别能力下限,为相关机器学习研究提供参考。
2024-10-31 hep-ex hep-ph
Maximizing Boosted Top Identification by Minimizing N-subjettiness
N-从属性是一种喷流形状,旨在识别顶夸克等增强强子物体。给定射流内的N个子射流轴,N-子射流度将射流成分到它们最近的子射流轴的角距离相加。在这里,我们推广和改善N-subjettiness最小化所有可能的subjet方向,使用一个新的变种的k-均值聚类算法。在BOOST 2010研讨会的增强顶级基准样本上,我们证明了3-subjettiness与2-subjettiness比率的简单切割产生20%(50%)的标记效率,0.23%(4.1%)的假率,使N-subjettiness成为高效的增强顶级标记器。N-subjettiness可以通过调整角度加权指数进行修改,我们发现,射流加宽措施是首选的提升顶部搜索。我们还探讨了多变量技术,并表明,使用修改后的Fisher判别式,额外的改进是可能的。最后,我们简要地提到我们的最小化过程可以扩展到整个事件,允许事件形状N-jettiness作为一个固定的N锥射流算法。
2011-09-15 hep-ex hep-ph physics.data-an
Boosted Decision Trees as an Alternative to Artificial Neural Networks for Particle Identification
使用人工神经网络和提升决策树的粒子识别的功效进行了比较。在MiniBooNE的背景下进行的比较,在费米实验室的实验寻找中微子振荡。基于模拟数据的Monte Carlo样本研究,在MiniBooNE实验中,Boosting算法的粒子识别性能优于人工神经网络。虽然本文中的测试是针对一个实验的,但预计提升算法将在物理学中得到广泛的应用。
2004-11-19 hep-ex physics.data-an
Identification techniques for highly boosted W bosons that decay into hadrons
在大型强子对撞机能量体系中寻找新物理的过程中,区分由高横动量W玻色子衰变产物合并产生的单喷流物体和由单部分子引发的喷流变得越来越重要。算法被定义为识别不同信号的W喷流,使用的技术也适用于其他玻色子到强子的衰变,导致一个单一的喷流,如那些从高度提升的Z和希格斯玻色子玻色子。标记W喷流的效率测量的数据收集与CMS检测器的质心能量为8 TeV,对应的积分亮度为19.7反femtobarns。W标记的数据的性能进行了比较,从几个Monte Carlo模拟器的预测。
2014-12-09 hep-ex
Efficient Identification of Boosted Semileptonic Top Quarks at the LHC
在多TeV的过程中产生的顶夸克将有很大的洛伦兹提升,它们的衰变产物将是高度准直的。在半轻子衰变模式中,这通常会导致根据标准事件重建的b喷流和硬轻子的合并,这会使新的物理学研究复杂化。在这里,我们将探索如何有效地恢复这种信号在μ子通道在大型强子对撞机。我们进行了粒子级的事件与μ子内产生的助推顶部,以及在通用QCD喷气机和从W-strahlung关闭的硬夸克的研究。我们的特点的歧视权力削减以前在文献中探索,以及两个新的。我们发现了一个特别强的隔离变量,它可以在保留80~90%的顶部的同时,在10^3能级上潜在地拒绝具有硬嵌入μ子的轻QCD喷注。这也可以与其他削减有效地结合起来,以获得O(1)更大的歧视。对于W-strahlung,一个简单的pT标度最大ΔR切割执行了一个高度理想化的顶部质量重建,拒绝了一个O(1)分数的背景与信号的100-scale损失。使用这些结果,我们建议一组动机良好的基线削减任何物理分析,涉及半轻子顶夸克在TeV尺度动量,既不使用b-标签,也不丢失的能量作为鉴别。我们证明了我们的削减在寻找共振的顶-反顶不变质谱的效用。例如,我们的结果表明,从14 TeV的LHC获得的100 fb^{-1}的数据可以用来发现高达4.5 TeV或更高的扭曲KK胶子。
2010-07-13 hep-ex hep-ph
Reconstruction and Selection of Single Top + Higgs to $\mathrm{b}\overline{\mathrm{b}}$ events at CMS in pp Collisions at $\sqrt{s}$ = 13 TeV
在大型强子对撞机上产生的一个顶夸克和一个希格斯玻色子玻色子可以用来提升关于顶夸克汤川耦合符号的简并度。因此,t-通道和TW-通道的生产希格斯玻色子衰变成一个$\mathrm{b}\overline{\mathrm{b}}$对检查。提升决策树用于将喷流分配给处于最终状态的夸克并对事件进行分类。为了最大化信号和主导$\mathrm{t}\overline{\mathrm{t}}$背景之间的分离,在信号和$\mathrm{t}\overline{\mathrm{t}}$假设下重建每个事件。海报的重点是事件的选择和事件的重建。
2016-12-09 hep-ex
Performance of heavy-flavour jet identification in Lorentz-boosted topologies in proton-proton collisions at $\sqrt{s}$ = 13 TeV
EUROPEAN ORGANIZATION FOR NUCLEAR RESEARCH (CERN)(欧洲核子研究组织)
本文研究LHC中13 TeV质子-质子碰撞中洛伦兹增强拓扑下重味喷注识别性能,分析CMS合作组开发的标记算法在模拟事件中的表现,总结利用数据的新型校准技术及多方法组合的校准结果。
2025-11-13 hep-ex physics.ins-det
Tracking down hyper-boosted top quarks
强子衰变的重态,如矢量玻色子,希格斯粒子,或顶夸克,产生大的横向助推器的识别已经并将继续是在大型强子对撞机(LHC)的喷流物理计划的中心焦点。在未来的强子对撞机上,以比大型强子对撞机大一个数量级的能量工作,这些重态将很容易产生几个TeV的横向助推。在这些能量下,它们的衰变产物将被与单个量热计单元相当的角尺度分开,使得目前用于强子衰变模式的喷流子结构识别技术不能直接使用。此外,在未来强子对撞机的高能量和高亮度下,将有许多污染源,包括初始和终态辐射,潜在事件或堆积,必须加以缓解。我们提出了一个简单的策略来标记这样的“超助推”对象,定义射流半径的比例成反比,其横向助推,并结合标准的量热信息与带电轨道为基础的观测。通过一个快速探测器模拟,我们将其应用到顶夸克识别,并证明我们的方法有效地区分强子衰变顶夸克从轻QCD喷流到20 TeV的横向提升。我们的研究结果开辟了一条道路,在目前和未来的强子对撞机的多TeV范围内的能量标记重物体。
2015-03-26 hep-ex hep-ph
Searches with Boosted Objects
随着大型强子对撞机继续探索TeV范围内的能量,助推物体--横向动量大于其质量两倍的粒子--变得越来越重要。搜寻标准模型之外的新现象的灵敏度关键取决于它们独特的探测器特征的有效重建和识别(标记)。这篇文章回顾了ATLAS和CMS实验对新物理学的研究,这些实验依赖于重建和识别助推顶夸克以及助推$W$、$Z$和希格斯玻色子。一个特别强调的是放在不同的子结构技术和标记算法的顶夸克和玻色子所采用的两个实验。
2014-11-13 hep-ex
Identification of boosted, hadronically decaying W bosons and comparisons with ATLAS data taken at $\sqrt{s} = 8$ TeV
本文报告了一个详细的研究技术,用于识别增强,强子衰变$W$玻色子使用20 fb $^{-1}$质子碰撞数据收集的ATLAS探测器在大型强子对撞机在质心能量$\sqrt{s} =$ 8 TeV。一系列优化信号射流质量分辨率的技术与各种射流子结构变量相结合。这些研究的结果在蒙特卡罗模拟表明,一个简单的成对组合的修饰喷流质量和一个子结构变量可以提供一个50%的效率识别$W$玻色子的横向动量大于200 GeV,同时保持多喷流的背景效率为2-4%的喷流具有相同的横向动量。这些信号和背景效率在用于选择标记技术的数据中得到证实。
2016-03-23 hep-ex
Interplay of Traditional Methods and Machine Learning Algorithms for Tagging Boosted Objects
本文综述了LHC上增强希格斯玻色子和顶夸克的标记方法,研究传统喷注子结构方法与机器学习算法的结合,以提升可解释性并构建适用于标准模型及新物理的混合标记器。
2024-08-02 hep-ex hep-ph
Reconstruction and identification of boosted di-$τ$ systems in a search for Higgs boson pairs using 13 TeV proton$-$proton collision data in ATLAS
在本文中,重建和识别强子衰变$τ^+τ^-$对与一个大的洛伦兹助推,称为双$τ$标签的新技术,开发和使用的ATLAS实验在大型强子对撞机的第一次。在共振希格斯玻色子玻色子对产生的搜索中采用了基准二- $τ$标记选择,其中一个希格斯玻色子玻色子衰变为增强的$b\bar{b}$对,另一个衰变为增强的$τ^+τ^-$对,其中两个强子衰变的$τ$ -轻子处于终态。使用139 fb $^{-1}$的质子$-$质子碰撞数据记录在一个中心的质量能量为13 TeV,的二- $τ$标签的效率被确定和与夸克或胶子引发的喷流被误认为二- $τ$对象的背景估计。在质量范围为1 $-$-3 TeV的相同数据集上,对胶子$-$胶子融合并衰变为两个希格斯玻色子产生的重、窄、标量共振进行了研究.没有观察到与标准模型预测的偏差,并且在该模型上设置了95%置信水平的排除限制。
2020-12-21 hep-ex
Automated proton track identification in MicroBooNE using gradient boosted decision trees
MicroBooNE是一个液态氩时间投影室(LArTPC)中微子实验,目前正在费米实验室的助推器中微子束中运行。LArTPC技术允许中微子相互作用的高分辨率三维表示。正在积极开发各种各样的软件工具,用于自动重建和选择LArTPC中的粒子轨迹。短的、孤立的质子径迹是低动量转移中性流(NC)弹性事件的信号,很容易隐藏在大的宇宙背景中。探测这些低能轨道将使我们能够探测质子自旋结构的有趣区域。选择NC弹性事件的一种有效方法是将高效的轨迹重建算法与使用机器学习算法的高精度颗粒识别相结合,找到所有候选轨迹。我们介绍了我们的工作粒子轨道分类使用梯度树助推软件(XGBoost)和模拟中微子数据的性能。
2017-10-02 hep-ex physics.ins-det
Highly boosted dielectron identification in proton-proton collisions at $\sqrt{s}$ = 13 TeV
EUROPEAN ORGANIZATION FOR NUCLEAR RESEARCH (CERN)(欧洲核子研究组织(CERN))
本文提出一种新方法,用于识别在CMS探测器电磁量能器中产生单一合并簇的高洛伦兹提升dielectron,通过双变量模型提升效率,达到80%的效率,同时利用Z→μ+μ-γ事件提升单轨模型效率至60%。
2026-09-09 hep-ex
A new tagger for hadronically decaying heavy particles at the LHC
本文提出了一种新的识别LHC中强衰变重粒子的算法。该算法基于已知的具有可变距离参数$R$的射流聚类过程,并使射流大小适应其横向动量$p_T$。使用质量跳跃条件找到主体。由此产生的算法-称为重对象标记与变量$R$(HOTVR)-功能小算法的复杂性,并结合射流聚类,subjet发现和拒绝软集群在一个序列。虽然HOTVR算法可以用于识别任何重物体的强子衰变,例如W,Z,H,t,或可能的新的重共振,本文的目标特别是标记的助推顶夸克。这里提出的研究表明,HOTVR算法在宽范围的顶夸克$p_T$的稳定性能,从低$p_T$,在那里的衰变产物可以解决,在高$p_T$的提升衰变的区域。
2016-11-09 hep-ex hep-ph
Identification of boosted Higgs bosons decaying into $b$-quark pairs with the ATLAS detector at 13 TeV
本文介绍了一种识别希格斯玻色子的技术研究,在高横动量衰变成底夸克对,$H \rightarrow b\bar{b}$,质子-质子碰撞数据收集的ATLAS探测器在大型强子对撞机的质心能量$\sqrt{s}=13$ TeV。这些衰变是由反$k_{t}$ $R = 1.0$喷流算法发现的量热计喷流重建的.为了标记希格斯玻色子,使用要求的组合:$b$ -标记与大$R$量热计喷流匹配的$R = 0.2$轨道喷流,以及对喷流质量和其他喷流子结构变量的要求。用Monte Carlo模拟计算了Higgs玻色子的标记效率和相应的多喷注和强子顶夸克背景排斥。为不同的信号效率目标定义了几个基准标记选择。用于标记希格斯玻色子的相关输入分布的建模在2015年和2016年收集的数据的36 fb $^{-1}$中进行了研究,使用数据中的$g\to b\bar{b}$和$Z(\rightarrow b\bar{b})γ$事件选择。这两个过程被认为是很好的建模内的统计和系统的不确定性。
2019-11-15 hep-ex
Inclusive search for supersymmetry in pp collisions at $\sqrt{s} =$ 13 TeV using razor variables and boosted object identification in zero and one lepton final states
使用剃刀变量的超对称性(SUSY)的包容性搜索使用对应于35.9 fb $^{-1}$的积分亮度的质子-质子碰撞的数据样本进行,该数据样本是在2016年的CMS实验中收集的,质心能量为$\sqrt{s} =$ 13 TeV。搜索寻找一个过量的事件与大的横向能量,大喷流多重性,大失踪的横向动量。剃刀运动学变量是敏感的父粒子和不可见的衰变链的粒子之间的大质量差,并帮助识别超对称粒子的存在。搜索覆盖最终状态与零或一个带电轻子和功能事件类别划分根据存在的高横向动量强子衰变W玻色子或顶夸克,射流的数量,b标记的射流的数量,和剃刀运动变量的值,为了从背景中分离信号的超对称性签名的范围很广。在分析中增加了增强的W玻色子和顶夸克类别,进一步增加了搜索的灵敏度,特别是对产生的胶子或夸克与最轻的超对称粒子之间具有大质量分裂的信号模型。分析解释使用简化模型的$R$宇称守恒超对称性,专注于胶子对生产和顶夸克对生产。对胶子质量的限制延伸到2.0 TeV,而对顶夸克质量的限制达到1.14 TeV。
2019-03-12 hep-ex
Experimental results with boosted top quarks in the final state
本文概述了利用sqrt(s)= 7 TeV和8 TeV的质子-质子碰撞数据在LHC上进行的分析。这些分析使用增强技术来寻找涉及顶夸克的新现象,并测量高横动量下顶夸克的产生。这些技术涉及顶夸克标记算法,玻色子标记算法,以及在顶夸克衰变产物彼此接近的环境中进行b标记和轻子识别的策略。这些策略针对不同的终态和不同的粒子横动量范围进行了优化,改进了传统的解析分析策略。
2014-11-29 hep-ex
Mass Unspecific Supervised Tagging (MUST) for boosted jets
喷流识别工具对于LHC和未来对撞机的新物理研究至关重要。我们引入的概念,质量非特异性监督标记(MUST),它依赖于考虑射流质量和横向动量在很宽的范围内变化作为输入变量-连同射流子结构观测值-的多变量工具。这种方法不仅提供了一个有效的任意范围内的射流质量和横向动量的单个taggers,但也是一个最佳的解决方案,为当前taggers固有的质量相关问题。通过训练神经网络,我们建立了MUST启发的通用和多管齐下的射流标记器,当用各种新的物理信号进行测试时,它们的性能明显优于实验中常用的变量,以区分信号和背景。这些标记器也能有效地识别出它们没有被训练过的信号。还可以建立标记器来确定高度的信心,喷射的分叉,这在发现新的物理信号的情况下是至关重要的。
2021-03-02 hep-ex hep-ph
Search for resonances decaying to a pair of Higgs bosons in the $\mathrm{b\overline{b}q\overline{q}'}\ellν$ final state in proton-proton collisions at $\sqrt{s} =$ 13 TeV
本文介绍了在质心能量为13 TeV的质子-质子碰撞中寻找新的衰变为一对希格斯玻色子玻色子的大质量粒子的工作。数据是在大型强子对撞机上用CMS探测器收集的,对应的积分亮度为35.9 fb $^{-1}$。搜索的共振质量在0.8和3.5 TeV之间的事件,其中一个希格斯玻色子衰变成底夸克对和其他衰变成两个W玻色子,随后衰变成轻子,中微子和夸克对。希格斯玻色子衰变重建的技术,确定最终状态夸克的子结构内助推喷流。数据与标准模型预期一致。排除限制放置在产品的截面和分支分数为一般自旋0和自旋2大规模的共振。解释的背景下,在模型中的辐射子和散装引力子生产的结果与扭曲的额外的空间维度。这些是迄今为止从HH共振衰减到这个最终状态的搜索中得到的最好结果,并且它们与在其他通道中搜索质量低于1.5 TeV的共振的结果相当。
2019-10-24 hep-ex
Identification of a bottom quark-antiquark pair in a single jet with high transverse momentum and its application
本文介绍了一种新的方法,利用喷注质心系中的喷注子结构来识别高横动量单喷注中的底夸克-反夸克对。我们证明了该方法可以用来区分衰变到$b\bar{b}$末态的助推重粒子和QCD喷注。标准模型希格斯玻色子($H$)衰变到$b\bar{b}$时,与弱矢量玻色子产生搜索的应用程序也进行了讨论。
2015-11-19 hep-ex hep-ph
Tagging a Boosted Top quark with a $τ$ final state
本文提出一种在半轻子衰变道中利用末态τ轻子标记增强顶夸克的方法,通过子喷注重聚类、b/τ识别及运动学变量和多变量分析,在约3%背景效率下实现约77%信号效率,并推广至极化顶夸克和重BSM粒子标记。
2023-06-03 hep-ex hep-ph
Particle Identification Using Boosted Decision Trees in the Semi-Digital Hadronic Calorimeter Prototype
使用玻璃电阻板室作为敏感介质的CALICE半数字强子量能器(SDHCAL)原型是CALICE合作开发的高粒度量能器系列的第一个技术原型,用于装备未来的轻子对撞机实验。在2012年至2018年期间,它在CERN PS和SPS光束线中多次暴露于强子,电子和μ子束。我们在这里提出了一种在SDHCAL中使用Boosted Decision Trees(BDT)方法识别颗粒的新方法,该方法适用于2015年收集的数据。该方法的性能进行了测试,首先与Geant 4为基础的模拟事件,然后在SDHCAL收集的数据在10和80~GeV之间的能量范围内与10~GeV的能量步骤。BDT方法被用来拒绝电子和μ子污染的SPS强子束。
2020-04-06 hep-ex physics.ins-det
Improved reconstruction of highly boosted $τ$-lepton pairs in the $ττ\rightarrow(μν_μν_τ)({hadrons}+ν_τ)$ decay channels with the ATLAS detector
本文提出在ATLAS探测器中移除缪子信息以重建高boosted $τ_{had}$的新方法,将效率提升至孤立$τ_{had}$水平,并利用$Z\ ightarrowτ_μτ_{had}$数据验证了其有效性,从而增强了boosted $τ_μτ_{had}$道的事例灵敏度。
2025-07-08 hep-ex
Systematically Constructing the Likelihood for Boosted $H\to gg$ Decays
本文通过解析展开和异常检测方法,系统构造增强$H\ o gg$衰变的似然比,证明在LHC高能喷流下可将信号背景比提高数百倍。
2024-11-15 hep-ex hep-ph
Jets with electrons from boosted top quarks
我们提出了一种方法来识别喷气机组成的所有可见的残余物的助推顶部粒子时,这些半轻子衰变为电子。在这些喷流中,电子簇射与由$b$夸克引发的簇射重叠,这使得电子的识别变得困难。即使喷注中的电子被识别出来,也很难确定富电子喷注是否真的是由顶夸克衰变引起的,因为不可见的中微子带走了原始顶夸克能量动量的重要部分。一般来说,这里提出的方法有三个关键组成部分。它利用探测器各个部分的能量分布来确定观测到的喷流是否与含有高能电子的喷流一致。它利用喷流的子结构来确定与电子相关的动量。最后,它利用一个额外的参数来构造携带顶夸克衰变运动学特征的新变量,存在一个无质量不可见的四动量\emph{roughly},它与电子和全喷流结合时,分别重构出一个$W$和一个陀螺。我们使用模拟数据证明了该方法的有效性,并表明我们的方法不仅减少了来自轻味喷注、来自QCD的$b$喷注和强子顶喷注的背景,而且还可以区分富含电子但不是由于顶夸克衰变的喷注。
2020-01-21 hep-ex hep-ph
The importance of calorimetry for highly-boosted jet substructure
喷流子结构技术在大型强子对撞机(LHC)探索TeV尺度中发挥着重要作用,因为它们有助于高效地重建和识别高度提升的物体。对于大型强子对撞机和未来的对撞机来说,人们越来越感兴趣的是使用仅基于带电粒子信息的射流子结构方法。原因在于硅基跟踪探测器提供了优异的粒度和精确的顶点,这可以提高高度准直射流上的角分辨率并减轻堆积的影响。在本文中,我们评估有多少射流子结构性能下降,通过使用跟踪的信息,我们演示了物理环境中,量热法是最有益的。具体来说,我们考虑五种不同的强子最终状态- W玻色子,Z玻色子,顶夸克,轻夸克,胶子-和测试的成对的歧视权力与多变量组合的子结构观测。在理想化的情况下,完美的重建,我们量化的歧视性能的损失时,只使用带电粒子相比,使用所有检测到的粒子。我们还考虑了使用带电粒子加光子的中间情况,这提供了有关中性π介子的有价值的信息。在更现实的情况下,分段量热计,我们评估了潜在的性能增益,从提高量热计的粒度和分辨率,比较CMS类检测器,更雄心勃勃的未来检测器的概念。从广义上讲,我们发现大的性能增益中性粒子的信息和改进的量热法的情况下,喷气质量分辨率驱动的歧视的权力,而收益是更温和的,如果不需要绝对的质量尺度校准。
2017-12-12 hep-ex hep-ph
Cascade Training Technique for Particle Identification
级联训练技术,这是在我们的工作中开发的MiniBooNE颗粒识别已被发现是一个非常有效的方式来提高选择性能,特别是当非常低的背景污染水平是理想的。在此基于MiniBooNE检测器蒙特卡罗模拟,使用人工神经网络和提升决策树作为示例,给出了该技术的详细描述。
2006-11-27 hep-ex physics.data-an
Design and FPGA Implementation of WOMBAT: A Deep Neural Network Level-1 Trigger System for Jet Substructure Identification and Boosted $H\rightarrow b\bar{b}$ Tagging at the CMS Experiment
本文设计了基于深度神经网络的CMS一级触发系统WOMBAT,包含W-MM和W-AM模型,用于提升态H→bb标记,在保持信号效率的同时显著降低触发阈值,并在FPGA上验证了其满足资源与延迟约束。
2025-05-30 hep-ex physics.ins-det
Long Short-Term Memory (LSTM) networks with jet constituents for boosted top tagging at the LHC
The University of British Columbia(不列颠哥伦比亚大学);McGill University(麦吉尔大学);Stanford University(斯坦福大学)
基于工程特征的多元技术在大型强子对撞机(LHC)强子顶衰变产生的喷流的识别中得到了广泛的应用。深度学习在这一领域的最新发展包括将量热计激活作为图像处理,或将射流成分动量列表提供给完全连接的网络。后一种方法非常适合使用递归神经网络。在这项工作中,探索了结合长短期记忆(LSTM)网络的架构的适用性。研究了几种网络结构、射流成分排序方法和输入预处理方法。性能最好的LSTM网络实现了100的背景抑制,信号效率为50%。这比在类似类型的输入上训练的完全连接的深度神经网络(DNN)提高了两倍以上。
2017-11-24 cs.LG hep-ex hep-ph
Particle identification in the GlueX detector with machine learning
University of Connecticut(康涅狄格大学);Northeastern University(东北大学);Indiana University(印第安纳大学)
本研究利用多层感知器和提升决策树等机器学习算法增强GlueX实验的粒子识别方法,显著提高了在Monte Carlo模拟数据中识别带电和中性粒子的准确性。
2025-09-17 hep-ex nucl-ex physics.data-an
Search for Lorentz-boosted di-$τ$ resonances produced in association with top quark pairs in $\sqrt{s}=13$ TeV pp collisions with the ATLAS detector
EUROPEAN ORGANISATION FOR NUCLEAR RESEARCH (CERN)(欧洲核子研究中心)
利用ATLAS探测器在√s=13 TeV质子-质子碰撞数据中,寻找与顶夸克对伴随产生的洛伦兹增强双τ共振态,未发现超出标准模型的显著偏差,给出了可见截面及双希格斯二重态模型信号的相关上限限制。
2026-07-31 hep-ex
Machine Learning approach to boosting neutral particles identification in the LHCb calorimeter
提出了一种利用LHCb探测器的电磁量热仪(ECAL)来识别助推中性粒子的新方法。目前,光子和中性π介子的识别是基于几何参数,这些几何参数描述了量热计中能量沉积的预期形状。这允许将电磁量热计中的单个光子与由高动量$π^0$衰变产生的重叠光子区分开。这里提出的新方法是基于将机器学习技术应用于初级热量计信息,这些信息是在能量簇周围的单个细胞中收集的能量。该方法允许改善光子和中性π介子的分离性能,并且没有显著的能量依赖性。
2019-12-18 hep-ex physics.ins-det
Search for heavy scalar resonances decaying to Lorentz-boosted Higgs and Higgs-like bosons in the $\mathrm{b\bar{b}}$4q final state at $\sqrt{s}$ = 13 TeV
EUROPEAN ORGANIZATION FOR NUCLEAR RESEARCH (CERN)(欧洲核子研究中心)
本研究在LHC上首次搜索了在b\ar{b}VV衰变通道中衰变为洛伦兹提升的Higgs和Higgs-like玻色子的重标量共振。
2026-09-09 hep-ex
Enhancing Photon Identification with Neural Network Methods
Tel Aviv University(特拉维夫大学)
利用 ResNet 架构和物理引导损失函数,提升高亮度对撞机中光子识别的性能。
2026-02-05 hep-ex
Particle transformers for identifying Lorentz-boosted Higgs bosons decaying to a pair of W bosons
EUROPEAN ORGANIZATION FOR NUCLEAR RESEARCH (CERN)(欧洲核子研究中心)
本文提出了一种名为'粒子转换器'(PaRT)的深度神经网络分类器,用于识别在CMS实验中通过单个多重喷嘴重建的高洛伦兹Boosted共振体。PaRT通过自注意力机制实现,首次在喷嘴源自Boosted希格斯玻色子衰变至W玻色子对的拓扑结构中表现出强性能。
2026-10-27 hep-ex physics.ins-det
Performance of the FARICH-based particle identification at charm superfactories using machine learning
P. N. Lebedev Physical Institute of the Russian Academy of Science(俄罗斯科学院列别杰夫物理研究所)
本文研究了未来重子工厂探测器中Focusing Aerogel Ring Imaging CHerenkov子系统的粒子识别性能,采用机器学习方法优化了信号环重建算法,并通过D0->Kmunu衰变分析验证了其有效性。
2025-06-17 hep-ex physics.ins-det
Identification of additional jets in the t-tbar b-bbar events using a deep neural network
在顶夸克对的产生伴随着希格斯玻色子衰变为b夸克对t-tbar H(b-bbar),末态具有不可约的非共振背景,来自顶夸克对的产生伴随着b夸克对t-tbar b-bbar。因此,精确地理解t-tbar b-bbar过程,特别是微分截面作为非顶夸克衰变的附加b喷注性质的函数,对于提高寻找t-tbar H b-bbar过程的灵敏度至关重要。两个额外的b喷流可以通过使用各种方法来识别。本文在轻子+喷注衰变通道中,以附加两个b喷注的匹配效率为优值,定量地比较了它们的性能。这项研究为精确测量t-tbar b-bbar事件中附加b喷流的微分截面提供了有价值的信息。我们发现,使用深度神经网络方法可以实现约40%的匹配效率。在至少有4个b射流的情况下,该性能比使用最小Delta R(b,bbar)方法获得的性能好8%。这在其统计不确定性内与提升决策树方法一致。
2020-12-02 hep-ex hep-ph
Accuracy versus precision in boosted top tagging with the ATLAS detector
本研究针对ATLAS探测器下基于机器学习的顶夸克标记算法,评估其性能与系统不确定度,发现性能最优算法不确定度最大,并公开数据集以推动相关方法开发。
2024-12-13 hep-ex
b tagging in ATLAS and CMS
目前在高能碰撞实验中研究的许多物理信号都导致了重味夸克喷注的终态。本文回顾了ATLAS和CMS协作组在大型强子对撞机Run2数据采集期间开发的重味喷流识别算法。讨论了2015年和2016年数据分析中使用的算法相对于以前数据采集期的改进,以及考虑到未来几年数据采集的持续发展。测量数据的算法的性能,以及专用的技术,用于识别重味喷流的事件与助推拓扑结构也被提出。最后讨论了在高亮度LHC阶段所预期的复杂环境中重味喷流识别的有效性。
2017-09-05 hep-ex
Identification of heavy, energetic, hadronically decaying particles using machine-learning techniques
探索机器学习(ML)技术来识别和分类高度洛伦兹增强的W/Z/希格斯玻色子和顶夸克的强子衰变。没有ML的技术也进行了评估,并包括比较。各种算法的识别性能的特点,在模拟事件,并直接与数据进行比较。使用质子-质子碰撞数据在$\sqrt{s} =$ 13 TeV,对应于35.9 FB $^{-1}$的积分亮度的算法进行验证。系统的不确定性进行评估,通过比较使用模拟和碰撞数据获得的结果。本文研究的新技术提供了显着的性能改进,非ML技术,降低了高达一个数量级的信号效率相同的背景速率。
2020-06-06 hep-ex physics.ins-det
Detecting highly collimated photon-jets from Higgs boson exotic decays with deep learning
本研究针对大型强子对撞机上的希格斯玻色子奇异衰变光子喷注信号,结合GEANT4模拟与三种机器学习方法实现了高效识别,并给出了高亮度LHC下的探测灵敏度。
2024-01-28 hep-ex hep-ph
Hybrid Machine-Learning Particle Identification for the ePIC Proximity-Focusing RICH
Stony Brook University(石溪大学)
本文提出了一种混合机器学习方法,用于提升ePIC实验中pfRICH探测器的粒子识别性能,通过结合卷积神经网络和梯度提升决策树,实现对质子、kaon和π介子的高精度分离。
2026-09-29 hep-ex physics.ins-det
Improved calorimetric particle identification in NA62 using machine learning techniques
针对 NA62 鉴别 μ 子与 π 子的需求,本文提出辅以滤波器的 CNN 量能器鉴别算法,在相同 π 子效率下将 μ 子误鉴别率降低 6 倍。
2023-04-24 hep-ex physics.ins-det
Performance of reconstruction and identification of $τ$ leptons decaying to hadrons and $ν_τ$ in pp collisions at $\sqrt{s}=$ 13 TeV
CMS协作组开发的用于重建和识别在$\sqrt{s}=$ 7和8 TeV质子-质子碰撞中产生的$τ$轻子的算法,通过它们衰变为强子和中微子,已经得到了显着的改进。这些变化包括对$π^0$候选者的修订重建,以及将$τ$轻子与射流和电子分开的多变量判别式的改进。该算法被推广到重构高洛伦兹增强对产生和高水平触发下的$τ$轻子。使用2016年期间记录的质子-质子碰撞研究了该算法的性能,其能量为$\sqrt{s}=$ 13 TeV,对应于35.9 fb $^{-1}$的积分亮度。的性能进行评估的效率为一个真正的$τ$轻子通过的识别标准和概率的喷流,电子,和μ子被误认为$τ$轻子。计算结果与蒙特卡罗模拟的结果非常接近。
2018-10-03 hep-ex
Explainable Equivariant Neural Networks for Particle Physics: PELICAN
Center for Computational Mathematics, Flatiron Institute(Flatiron计算数学中心);University of Chicago(芝加哥大学);Enrico Fermi Institute(恩里科·费米研究所)
本文提出基于对称群、置换等变且洛伦兹不变/协变的PELICAN网络,在顶夸克分类、四动量回归及喷流识别中以更低复杂度取得更优性能。
2024-02-23 cs.LG hep-ex hep-ph
Jet tagging in the Lund plane with graph networks
Rudolf Peierls Centre for Theoretical Physics(鲁道夫·派尔斯理论物理中心);CERN(欧洲核子研究中心)
顶夸克或矢量玻色子等助推重粒子的识别是大型强子对撞机实验研究中的关键问题之一。在这篇文章中,我们介绍了LundNet,一种新的射流标记方法,它依赖于图形神经网络和射流内的辐射模式的有效描述,以最佳地将增强对象的特征与背景事件分离开来。我们将这个框架应用到一些不同的基准测试中,与现有的最先进的算法相比,顶级标记的性能得到了显着提高。我们研究了LundNet标记器对非微扰和检测器效应的鲁棒性,并展示了Lund平面中的运动学切割如何减轻神经网络对模型相关贡献的过拟合。最后,我们认为这种方法的计算复杂性和其缩放作为一个功能的运动隆德平面切割,显示了一个数量级的速度比以前的基于图形的标记。
2021-02-11 cs.CV cs.LG hep-ex
Performance of b-tagging algorithms at the CMS experiment with pp collision data at $\sqrt s$=8 TeV
起源于b夸克的喷流的识别对于寻找新物理和测量标准模型过程都是至关重要的。大型强子对撞机(LHC)的紧凑μ子螺线管(CMS)合作已经开发了多种算法来选择b夸克喷流,这些算法基于带电粒子轨道的碰撞参量、重强子衰变重建的次级顶点的特性以及喷流中是否存在轻子或其组合等变量。这些b喷流识别算法的性能测量,使用多喷流和$t\overline{t}$事件记录在质子-质子碰撞数据在$\sqrt s$ =8 TeV的CMS检测器在大型强子对撞机运行1。
2014-08-31 hep-ex
Study of residual artificial neural network for particle identification in the CEPC high-granularity calorimeter prototype
本研究针对粒子流探测器系统的粒子鉴别需求,提出基于ResNet架构的新型PID方法,无需重建特征变量且泛化性强,在5-120GeV模拟样本上验证了其相比BDT等方法的背景排除性能优势。
2024-03-09 hep-ex physics.ins-det
Reconstruction and identification of pairs of collimated $τ$-leptons decaying hadronically using $\sqrt{s}=13$ TeV $pp$ collision data with the ATLAS detector
本文提出一种基于大半径喷流和提升决策树的算法,用于重建和识别低横动量、高度准直的强子衰变$τ$轻子对,并在ATLAS实验139 $\mbox{fb}^{-1}$数据中测得其效率比例因子接近1。
2025-05-27 hep-ex
Identification of low-momentum muons in the CMS detector using multivariate techniques in proton-proton collisions at $\sqrt{s}$ = 13.6 TeV
针对CMS实验中低动量软μ子识别的效率与背景抑制需求,开发基于梯度提升决策树的新型多变量分类器,其在LHC Run 3数据集上的信号-背景分离性能显著优于Run 2所用分类器。
2025-04-19 hep-ex