بازگشت به جستجو

شناسایی ذرات سنگین، پرانرژی و در حال پوسیدگی هادرون با استفاده از تکنیک های یادگیری ماشینی

عنوان	شناسایی ذرات سنگین، پرانرژی و در حال پوسیدگی هادرون با استفاده از تکنیک های یادگیری ماشینی
نویسنده	Sirunyan، A. M.، Işıldak، بورا
تاریخ انتشار:	2020-06
محل انتشار	- انتشارات IOP
موضوع	عملکرد سیستم های آشکارساز بزرگ، تشخیص الگو، یافتن خوشه، کالیبراسیون و روش های برازش
نوع	دوره ای
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شناسه دارایی کتابخانه	1748-0221
شماره ثبت	8befe144-f774-48ed-8d64-820d982554d7
محل کتابخانه	علوم طبیعی و ریاضی
تاریخ	2020-06
یادداشت‌ها	BMBWF و FWF (اتریش)؛ FNRS و FWO (بلژیک)؛ CNPq، CAPES، FAPERJ، FAPERGS، و FAPESP (برزیل)؛ MES (بلغارستان)؛ سرن CAS، MoST، و NSFC (چین)؛ COLCIENCIAS (کلمبیا)؛ MSES و CSF (کرواسی)؛ RPF (قبرس)؛ SENESCYT (اکوادور)؛ MoER، ERC IUT، PUT و ERDF (استونی)؛ آکادمی فنلاند، MEC، و HIP (فنلاند)؛ CEA و CNRS/IN2P3 (فرانسه)؛ BMBF، DFG، و HGF (آلمان)؛ GSRT (یونان)؛ NKFIA (مجارستان)؛ DAE و DST (هند)؛ IPM (ایران)؛ SFI (ایرلند)؛ INFN (ایتالیا)؛ MSIP و NRF (جمهوری کره)؛ MES (لتونی)؛ LAS (لیتوانی)؛ MOE و UM (مالزی)؛ BUAP، CINVESTAV، CONACYT، LNS، SEP، و UASLP-FAI (مکزیک)؛ MOS (مونته نگرو)؛ MBIE (نیوزیلند)؛ PAEC (پاکستان)؛ MSHE و NSC (لهستان)؛ FCT (پرتغال)؛ JINR (دوبنا)؛ MON، RosAtom، RAS، RFBR، و NRC KI (روسیه)؛ MESTD (صربستان)؛ SEIDI، CPAN، PCTI، و FEDER (اسپانیا)؛ MOSTR (سری‌لانکا)؛ آژانس های تامین مالی سوئیس (سوئیس)؛ MST (تایپه)؛ TheEPCenter، IPST، STAR، و NSTDA (تایلند)؛ TUBITAK و TAEK (ترکیه)؛ NASU (اوکراین)؛ STFC (بریتانیا)؛ DOE و NSF (U.S.A.). افراد از برنامه ماری کوری و شورای تحقیقات اروپا و کمک هزینه افق 2020 با شماره قرارداد 675440، 752730 و 765710 (اتحادیه اروپا) حمایت دریافت کرده اند. بنیاد لونتیس؛ بنیاد اسلون A.P. بنیاد الکساندر فون هومبولت؛ دفتر سیاست علمی فدرال بلژیک؛ صندوق آموزش و تحقیقات در صنعت و کشاورزی (FRIA-بلژیک)؛ آژانس نوآوری علم و فناوری (IWT-بلژیک)؛ F.R.S.-FNRS andFWO (بلژیک) تحت پروژه "Excellence of ScienceEOS" -be.h n. 30820817; کمیسیون علم و فناوری شهرداری پکن، شماره Z191100007219010; وزارت آموزش، جوانان و ورزش (MEYS) جمهوری چک؛ Deutsche Forschungsgemeinschaft (DFG) تحت استراتژی تعالی آلمان -EXC 2121 "جهان کوانتومی" -390833306; برنامه Lendulet ("Momentum") و بورسیه تحقیقاتی یانوش بولیای آکادمی علوم مجارستان، برنامه جدید تعالی ملی UNKP، کمک هزینه های تحقیقاتی NKFIA 123842، 123959، 124845، 124850، 128،227، 1251، 1251، 129058 (مجارستان); شورای علوم و تحقیقات صنعتی، هند؛ برنامه HOMING PLUS بنیاد علوم لهستان، با تامین مالی مشترک از اتحادیه اروپا، صندوق توسعه منطقه ای، برنامه Mobility Plus وزارت علوم و آموزش عالی، مرکز ملی علوم (لهستان)، قراردادهای Harmonia 2014/14/M/ST2/00428، Opus 2014/B/ST2/2149/2032/2032/2049/ST2/2149/ST2/2149/ST20149/2014، ST 2015/19/B/ST2/02861، سوناتا-اتوبوس 2012/07/E/ST2/01406; برنامه تحقیقاتی اولویت های ملی توسط صندوق تحقیقات ملی قطر؛ وزارت علوم و آموزش و پرورش، مجوز شماره. 14.W03.31.0026 (روسیه); برنامه ارتقای رقابت پذیری دانشگاه پلی تکنیک تومسک و پروژه "Nauka" FSWW-2020-0008 (روسیه)؛ برنامه دولتی برای ارتقای تحقیقات علمی و فنی عالی ماریا د مائزتو، کمک مالی MDM-20150509 و برنامه سورو اوچوا از شاهزاده آستوریاس؛ برنامه های تالیس و آریستیا که توسط EU-ESF و NSRF یونان تامین می شود. صندوق Rachadapisek Sompot برای کمک هزینه تحصیلی پسادکتری، دانشگاه Chulalongkorn و Chulalongkorn Academic در پروژه پیشرفت پروژه قرن دوم خود (تایلند)؛ بنیاد کاولی؛ شرکت انویدیا؛ شرکت سوپر میکرو؛ بنیاد ولچ، قرارداد C-1845; و بنیاد وستون هاونز (ایالات متحده آمریکا).
متن نمونه	تکنیک‌های یادگیری ماشینی (ML) برای شناسایی و طبقه‌بندی فروپاشی هادرونیک بوزون‌های W/Z/Higgs و کوارک‌های بالا با لورنتس تقویت شده‌اند. تکنیک‌های بدون ML نیز ارزیابی شده‌اند و برای مقایسه گنجانده شده‌اند. عملکرد شناسایی انواع الگوریتم ها در رویدادهای شبیه سازی شده مشخص می شود و به طور مستقیم با داده ها مقایسه می شود. الگوریتم ها با استفاده از داده های برخورد پروتون-پروتون در ریشه S = 13 TeV، مربوط به درخشندگی یکپارچه 35.9 fb(-1) اعتبارسنجی می شوند. عدم قطعیت های سیستماتیک با مقایسه نتایج به دست آمده با استفاده از داده های شبیه سازی و برخورد ارزیابی می شوند. تکنیک‌های جدید مورد مطالعه در این مقاله، بهبود عملکرد قابل‌توجهی را نسبت به تکنیک‌های غیرML ارائه می‌کنند و نرخ پس‌زمینه را تا یک مرتبه در بازده سیگنال یکسان کاهش می‌دهند.
DOI	10.1088/1748-0221/15/06/P06005
Cilt	15

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی نسخه های خطی عثمانی

دانشگاه اوزیغین

شناسایی ذرات سنگین، پرانرژی و در حال پوسیدگی هادرون با استفاده از تکنیک های یادگیری ماشینی

نویسنده Sirunyan، A. M.، Işıldak، بورا

تاریخ انتشار 2020-06

محل انتشار - انتشارات IOP

موضوع عملکرد سیستم های آشکارساز بزرگ، تشخیص الگو، یافتن خوشه، کالیبراسیون و روش های برازش

نوع دوره ای

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شناسه دارایی کتابخانه 1748-0221

شماره ثبت 8befe144-f774-48ed-8d64-820d982554d7

محل کتابخانه علوم طبیعی و ریاضی

تاریخ 2020-06

یادداشت‌ها BMBWF و FWF (اتریش)؛ FNRS و FWO (بلژیک)؛ CNPq، CAPES، FAPERJ، FAPERGS، و FAPESP (برزیل)؛ MES (بلغارستان)؛ سرن CAS، MoST، و NSFC (چین)؛ COLCIENCIAS (کلمبیا)؛ MSES و CSF (کرواسی)؛ RPF (قبرس)؛ SENESCYT (اکوادور)؛ MoER، ERC IUT، PUT و ERDF (استونی)؛ آکادمی فنلاند، MEC، و HIP (فنلاند)؛ CEA و CNRS/IN2P3 (فرانسه)؛ BMBF، DFG، و HGF (آلمان)؛ GSRT (یونان)؛ NKFIA (مجارستان)؛ DAE و DST (هند)؛ IPM (ایران)؛ SFI (ایرلند)؛ INFN (ایتالیا)؛ MSIP و NRF (جمهوری کره)؛ MES (لتونی)؛ LAS (لیتوانی)؛ MOE و UM (مالزی)؛ BUAP، CINVESTAV، CONACYT، LNS، SEP، و UASLP-FAI (مکزیک)؛ MOS (مونته نگرو)؛ MBIE (نیوزیلند)؛ PAEC (پاکستان)؛ MSHE و NSC (لهستان)؛ FCT (پرتغال)؛ JINR (دوبنا)؛ MON، RosAtom، RAS، RFBR، و NRC KI (روسیه)؛ MESTD (صربستان)؛ SEIDI، CPAN، PCTI، و FEDER (اسپانیا)؛ MOSTR (سری‌لانکا)؛ آژانس های تامین مالی سوئیس (سوئیس)؛ MST (تایپه)؛ TheEPCenter، IPST، STAR، و NSTDA (تایلند)؛ TUBITAK و TAEK (ترکیه)؛ NASU (اوکراین)؛ STFC (بریتانیا)؛ DOE و NSF (U.S.A.). افراد از برنامه ماری کوری و شورای تحقیقات اروپا و کمک هزینه افق 2020 با شماره قرارداد 675440، 752730 و 765710 (اتحادیه اروپا) حمایت دریافت کرده اند. بنیاد لونتیس؛ بنیاد اسلون A.P. بنیاد الکساندر فون هومبولت؛ دفتر سیاست علمی فدرال بلژیک؛ صندوق آموزش و تحقیقات در صنعت و کشاورزی (FRIA-بلژیک)؛ آژانس نوآوری علم و فناوری (IWT-بلژیک)؛ F.R.S.-FNRS andFWO (بلژیک) تحت پروژه "Excellence of ScienceEOS" -be.h n. 30820817; کمیسیون علم و فناوری شهرداری پکن، شماره Z191100007219010; وزارت آموزش، جوانان و ورزش (MEYS) جمهوری چک؛ Deutsche Forschungsgemeinschaft (DFG) تحت استراتژی تعالی آلمان -EXC 2121 "جهان کوانتومی" -390833306; برنامه Lendulet ("Momentum") و بورسیه تحقیقاتی یانوش بولیای آکادمی علوم مجارستان، برنامه جدید تعالی ملی UNKP، کمک هزینه های تحقیقاتی NKFIA 123842، 123959، 124845، 124850، 128،227، 1251، 1251، 129058 (مجارستان); شورای علوم و تحقیقات صنعتی، هند؛ برنامه HOMING PLUS بنیاد علوم لهستان، با تامین مالی مشترک از اتحادیه اروپا، صندوق توسعه منطقه ای، برنامه Mobility Plus وزارت علوم و آموزش عالی، مرکز ملی علوم (لهستان)، قراردادهای Harmonia 2014/14/M/ST2/00428، Opus 2014/B/ST2/2149/2032/2032/2049/ST2/2149/ST2/2149/ST20149/2014، ST 2015/19/B/ST2/02861، سوناتا-اتوبوس 2012/07/E/ST2/01406; برنامه تحقیقاتی اولویت های ملی توسط صندوق تحقیقات ملی قطر؛ وزارت علوم و آموزش و پرورش، مجوز شماره. 14.W03.31.0026 (روسیه); برنامه ارتقای رقابت پذیری دانشگاه پلی تکنیک تومسک و پروژه "Nauka" FSWW-2020-0008 (روسیه)؛ برنامه دولتی برای ارتقای تحقیقات علمی و فنی عالی ماریا د مائزتو، کمک مالی MDM-20150509 و برنامه سورو اوچوا از شاهزاده آستوریاس؛ برنامه های تالیس و آریستیا که توسط EU-ESF و NSRF یونان تامین می شود. صندوق Rachadapisek Sompot برای کمک هزینه تحصیلی پسادکتری، دانشگاه Chulalongkorn و Chulalongkorn Academic در پروژه پیشرفت پروژه قرن دوم خود (تایلند)؛ بنیاد کاولی؛ شرکت انویدیا؛ شرکت سوپر میکرو؛ بنیاد ولچ، قرارداد C-1845; و بنیاد وستون هاونز (ایالات متحده آمریکا).

متن نمونه تکنیک‌های یادگیری ماشینی (ML) برای شناسایی و طبقه‌بندی فروپاشی هادرونیک بوزون‌های W/Z/Higgs و کوارک‌های بالا با لورنتس تقویت شده‌اند. تکنیک‌های بدون ML نیز ارزیابی شده‌اند و برای مقایسه گنجانده شده‌اند. عملکرد شناسایی انواع الگوریتم ها در رویدادهای شبیه سازی شده مشخص می شود و به طور مستقیم با داده ها مقایسه می شود. الگوریتم ها با استفاده از داده های برخورد پروتون-پروتون در ریشه S = 13 TeV، مربوط به درخشندگی یکپارچه 35.9 fb(-1) اعتبارسنجی می شوند. عدم قطعیت های سیستماتیک با مقایسه نتایج به دست آمده با استفاده از داده های شبیه سازی و برخورد ارزیابی می شوند. تکنیک‌های جدید مورد مطالعه در این مقاله، بهبود عملکرد قابل‌توجهی را نسبت به تکنیک‌های غیرML ارائه می‌کنند و نرخ پس‌زمینه را تا یک مرتبه در بازده سیگنال یکسان کاهش می‌دهند.

DOI 10.1088/1748-0221/15/06/P06005

Cilt 15