面向高能物理的奇异型与物理信息支持向量机
Exotic and physics-informed support vector machines for high energy physics
AI总结：
本文提出奇异型与物理信息支持向量机两种新方法，用于高效区分高能物理碰撞数据中的信号与本底事件，实验表明物理信息支持向量机性能更优。
摘要：
在本文中，我们探索了使用支持向量机的机器学习技术，并提出了两种新颖的方法：奇异型支持向量机和物理信息支持向量机。奇异型支持向量机采用非常规技术，如遗传算法和提升方法。物理信息支持向量机以直接的方式整合给定高能物理过程的物理动力学。目标是高效地区分高能物理碰撞数据中的信号事件和本底事件。为了测试我们的算法，我们在质子-质子碰撞中利用模拟的Drell-Yan事件进行了计算实验。我们的结果突出了物理信息支持向量机的优越性，强调了它们在高能物理中的潜力，并推动在未来的研究中将物理信息纳入机器学习算法。
英文摘要：
In this article, we explore machine learning techniques using support vector machines with two novel approaches: exotic and physics-informed support vector machines. Exotic support vector machines employ unconventional techniques such as genetic algorithms and boosting. Physics-informed support vector machines integrate the physics dynamics of a given high-energy physics process in a straightforward manner. The goal is to efficiently distinguish signal and background events in high-energy physics collision data. To test our algorithms, we perform computational experiments with simulated Drell-Yan events in proton-proton collisions. Our results highlight the superiority of the physics-informed support vector machines, emphasizing their potential in high-energy physics and promoting the inclusion of physics information in machine learning algorithms for future research.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
