Zero-bias new particle searches using autoencoders in UPCs and diffractive events
本研究提出一种基于自编码器的无监督学习方法，在低本底对撞环境中无偏检测稀有粒子衰变与奇异强子，经玩具数据集验证可有效区分正常与异常衰变，为寻找超出标准模型的新物理提供新途径。
2024-11-01 hep-ex hep-ph
A semi-supervised approach to dark matter searches in direct detection data with machine learning
暗物质区仍然是完全未知的。因此，至关重要的是，要对其性质和可能的相互作用保持开放的心态。在这项工作中，我们通过将现代机器学习技术应用于暗物质的直接检测，将这种一般哲学更加具体化。我们通过使用卷积变分自动编码器对XENONNT实验中背景事件的图形表示进行编码和解码来做到这一点。我们描述了一种方法，该方法利用的“异常得分”来自卷积变分自动编码器的重建损失以及预训练的标准卷积神经网络，在半监督的方式。事实上，我们观察到，只有当无监督和监督异常分数一起考虑时，才能获得最佳结果。具有较高比例的异常分数的数据集被认为是异常的，值得进一步调查。与经典分析相反，原则上使用了关于事件的所有信息，防止了不必要的信息丢失。最后，我们通过将结果与经典推理进行比较，证明了在这种情况下以学习为中心的异常检测的范围，观察到如果调整得当，这些技术有可能优于基于可能性的方法。
2022-02-28 hep-ph
Better Latent Spaces for Better Autoencoders
Institut für Theoretische Physik, Universität Heidelberg（海德堡大学理论物理研究所）；Physikalisches Institut, Universität Heidelberg（海德堡大学物理研究所）；Heidelberg Collaboratory for Image Processing, Universität Heidelberg（海德堡大学图像处理合作实验室）
自动编码器作为LHC异常搜索背后的工具存在结构性问题，即它们只在一个方向上工作，提取具有更高复杂性的喷流，而不是相反。为了解决这个问题，我们从（变分）自编码器的潜在空间中导出分类器，特别是在高斯混合和狄利克雷潜在空间中。特别是，狄利克雷设置解决了这个问题，提高了网络的性能和可解释性。
2021-04-16 cs.LG hep-ph
Variational Autoencoders for New Physics Mining at the Large Hadron Collider
California Institute of Technology（加州理工学院）；CERN（欧洲核子研究组织）
使用在已知物理过程上训练的变分自编码器，我们开发了一个单侧阈值测试来隔离以前看不见的过程作为异常事件。由于自动编码器训练不依赖于任何特定的新物理特征，因此所提出的过程不对新物理的性质做出特定假设。基于该算法的事件选择将是对经典LHC搜索的补充，通常基于模型依赖的假设检验。这样的算法将提供一个异常事件列表，实验合作可以进一步审查，甚至作为目录发布，类似于其他科学领域通常所做的事情。在这个数据集中重复的事件拓扑可以激发新的物理模型构建和新的实验搜索。在LHC实验的触发系统中运行，这样的应用程序可以识别否则会丢失的异常事件，从而扩展LHC的科学范围。
2019-06-13 cs.LG hep-ex hep-ph
NAE, Statistically
Universität Heidelberg（海德堡大学）；Interdisciplinary Center for Scientific Computing (IWR), Universität Heidelberg（海德堡大学跨学科科学计算中心）
本研究针对神经异常分数新物理搜索的统计可解释性问题，提出归一化自编码器（NAE），经玩具模型、双NAE喷注测试验证其概率解释性，还展示贝叶斯NAE可学习带不确定性的似然。
2026-08-21 hep-ph
Enhancing anomaly detection with topology-aware autoencoders
Durham University（杜伦大学）；University of Warsaw（华沙大学）
提出将自编码器潜在空间设计为反映能量-动量守恒的球面、乘积和射影流形，并在强子顶夸克衰变模拟中证明其可提升异常事件检测的灵敏度与鲁棒性。
2025-02-14 cs.LG hep-ex hep-ph
The Mass-ive Issue: Anomaly Detection in Jet Physics
在寻找粒子物理学中新的和未观察到的现象时，近年来人们的注意力已经转向使用先进的机器学习技术进行独立于模型的搜索。在本文中，我们强调的主要挑战，应用异常检测射流物理学，保持无偏估计的射流质量仍然是一个关键的一部分，任何模型独立的搜索。使用变分自动编码器和多个行业标准的异常检测指标，我们证明了这个问题的不可避免的性质。
2023-03-24 hep-ph
What's Anomalous in LHC Jets?
本文探讨了在LHC喷注中通过概率密度估计定义异常的方法，包括k-means聚类、Dirichlet变分自编码器和可逆神经网络，并评估了它们在暗物质领域喷注场景中的优势与局限。
2023-10-12 hep-ph
Autoencoders for unsupervised anomaly detection in high energy physics
Institute for Theoretical Particle Physics and Cosmology (TTK), RWTH Aachen University（亚琛工业大学理论粒子物理与宇宙学研究所（TTK））
自动编码器广泛用于机器学习应用，特别是异常检测。因此，它们已被引入高能物理作为一个有前途的工具，模型无关的新物理搜索。我们仔细研究了自动编码器在基于重建损失的无监督异常检测中的使用，以显示其功能，但也显示了其局限性。作为粒子物理的基准方案，我们研究了在QCD喷流图像背景下顶喷流图像的标记。虽然我们重现了文献中的积极结果，但我们表明，标准的自动编码器设置不能被认为是一个独立于模型的异常标记器，通过反转任务：由于稀疏性和喷射图像的特定结构，自动编码器无法标记QCD喷射，如果它在顶部喷射上训练，即使在半监督设置中。由于相同的autoencoder架构可以是一个很好的标签的一个特定的例子的异常和一个坏的标签为不同的例子，我们建议改进的性能措施的任务模型无关的异常检测。我们还提高了自动编码器的能力，以学习非平凡的喷流图像的功能，使它能够实现顶部喷流标记和反向任务的QCD喷流标记与相同的设置。然而，我们想强调的是，一个真正的模型独立和强大的基于自动编码器的无监督射流标记器仍然需要开发。
2021-04-19 cs.LG hep-ph physics.data-an
Finding New Physics without learning about it: Anomaly Detection as a tool for Searches at Colliders
在本文中，我们提出了一种新的策略，基于异常检测方法，独立于这些新事件的细节，在对撞机上搜索新的物理现象。为此，机器学习技术使用标准模型事件进行训练，相应的输出对HEP中的物理特性敏感。我们探索了HEP中的三种新颖的AD方法：隔离森林，基于直方图的离群点检测和深度支持向量数据描述;以及最常用的Autoencoder。为了评估所提出的方法的灵敏度，考虑了特定新物理模型的预测，并将其与使用完全监督的深度神经网络时实现的预测进行比较。还对浅层和深层异常探测技术进行了比较。我们的研究结果表明，半监督异常检测技术的潜力，以广泛探索目前和未来的强子对撞机的数据。
2021-11-29 hep-ph physics.comp-ph
A data-driven and model-agnostic approach to solving combinatorial assignment problems in searches for new physics
提出新型神经网络架构Passwd-ABC，通过注意力机制与双重自编码器，在无监督下仅用背景事件训练，实现模型无关的衰变产物正确分配，并产生异常分数抑制背景，有效扩展新物理搜索范围。
2023-09-11 hep-ph physics.comp-ph physics.data-an
Contrastive self-supervised convolutional autoencoder for core-collapse supernova gravitational-wave detection
College of Sciences, Northeastern University（东北大学理学院）；Institute of Mechanics, Chinese Academy of Sciences（中国科学院力学研究所）
本文提出了一种对比自监督卷积自编码器（CS-CAE）用于核心塌陷超新星（CCSNe）引力波信号检测，通过结合卷积自编码器、噪声中心潜在正则化器和对比目标训练的投影头，提高了信号检测的鲁棒性和泛化能力。
2026-05-20 astro-ph.CO astro-ph.IM gr-qc
Simple, but not simplified: A new approach for optimising beyond-Standard Model physics searches at the Large Hadron Collider
针对LHC超标准模型物理搜寻常用简化模型易丧失大量可行SUSY模型灵敏度的问题，提出基于全局拟合结果降维的新方法，利用变分自编码器将四维参数空间映射至二维隐空间，既能可视化又能覆盖全唯象场景，还可排除此前未被排除的基准模型。
2023-05-03 hep-ex hep-ph
Masked-Token Prediction for Anomaly Detection at the Large Hadron Collider
NIKHEF（荷兰国家核子和亚原子物理研究所）
本文首次将大语言模型的掩码词预测技术应用于高能物理异常检测，通过轻量级编码器架构捕捉标准模型物理结构，识别偏离该结构的异常事件，展示了其在四顶夸克生产和超对称胶子对产生等场景中的有效性。
2026-09-22 hep-ex hep-ph
Full-event anomaly detection for new physics searches at the Electron-Ion Collider
Stony Brook University（石溪大学）；University of Washington（华盛顿大学）；Brookhaven National Laboratory（布鲁克海文国家实验室）
本研究利用机器学习对电子-离子对撞机全事件进行异常检测，通过弱监督和生成模型增强新物理信号搜索灵敏度，并验证了无监督图自编码器的补充作用。
2026-10-12 hep-ex hep-ph nucl-ex
Local Diagnostics of Learned Event Representations for Anomaly Detection at the HL-LHC
Sapienza University of Rome（罗马第一大学）；ETH Zurich（苏黎世联邦理工学院）
该研究针对高亮度大型强子对撞机异常检测，在COLLIDE-2V数据集上对比监督与自监督神经嵌入策略，引入局部诊断流程实现标记事件的物理解释，提升了异常检测性能并揭示了异常分数与可观测变量的关联特性。
2026-10-12 cs.AI hep-ex hep-ph
Contrastive Learning for Interpretable Anomaly Detection at Collider Experiments
Stanford University（斯坦福大学）；SLAC National Accelerator Laboratory（SLAC国家加速器实验室）
本研究针对对撞机异常检测的可解释性与能量依赖问题，提出ORCA两阶段框架，通过对比学习结合自编码器实现更优的信号灵敏度与可解释性，为对撞机异常搜索提供新途径。
2026-08-27 cs.LG hep-ex hep-ph
Deep learning optimal molecular scintillators for dark matter direct detection
University of Liverpool（利物浦大学）；Princeton University（普林斯顿大学）；Stockholm University（斯德哥尔摩大学）
本文利用深度学习生成具有特定性质的有机分子，以优化暗物质直接探测的探测器性能。
2025-12-17 cond-mat.mtrl-sci hep-ex hep-ph
Conditioned quantum-assisted deep generative surrogate for particle-calorimeter interactions
TRIUMF（TRIUMF（加拿大国家粒子加速器中心））；Perimeter Institute for Theoretical Physics（圆周理论物理研究所）；University of British Columbia（不列颠哥伦比亚大学）；National Research Council（加拿大国家研究委员会）；University of Virginia（弗吉尼亚大学）
针对LHC探测器模拟计算成本过高的问题，提出一种条件量子辅助深度生成模型，外部用条件VAE、潜在空间用条件RBM，并在D-Wave Advantage量子退火机上采样，引入磁通偏置条件化与自适应逆温度估计新方法，在CaloChallenge数据集上验证了有效性。
2024-12-18 cs.AI cs.LG hep-ph
