CMS experiment
PulseAugur coverage of CMS experiment — every cluster mentioning CMS experiment across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
最优传输图校准粒子物理学中的机器学习模拟
研究人员开发了一种新颖的校准方法，使用最优传输图来解决粒子物理学中机器学习模拟与实验数据之间的差异。该方法应用于受大型强子对撞机CMS实验启发的、高维喷注标记数据，有效地校准了内部表示。校准后高维表示能够无偏地利用基础模型，并为LHC分析中的喷注味信息开辟了新的应用，对纠正跨科学领域的**高维模拟**具有更广泛的影响。
-
新的机器学习算法Profile OmniFold增强粒子物理数据校正
研究人员开发了一种名为Profile OmniFold的新机器学习算法，以提高展开的准确性。展开是粒子物理学中用于校正测量数据因探测器效应而产生偏差的过程。这种新方法通过纳入扰动参数（用于解释探测器前向模型中的不确定性）扩展了现有的OmniFold算法。Profile OmniFold的有效性通过高斯示例和使用大型强子对撞机CMS实验模拟数据的案例研究得到了证明。
-
新研究探索用于神经网络分析的对抗性方法
研究人员开发了用于理解和操纵神经网络的新方法。一种方法，对抗性依赖最小化（ADM），使用对抗性博弈来创建统计上独立的特征表示，从而提高泛化能力并防止维度坍塌。另一种方法，MiniFool，采用基于物理约束的对抗性攻击来测试神经网络在粒子物理学等科学领域的鲁棒性，并展示了其在 MNIST 和 CMS 实验数据等数据集上的适用性。
-
新AI模型增强高亮度LHC信号净化能力
研究人员开发了PhyGHT，一种新颖的物理引导超图Transformer，用于改善高亮度大型强子对撞机（HL-LHC）的信号净化。该架构结合了图注意力与全局自注意力，并引入了一个物理约束的堆积抑制门，在数据聚合前过滤噪声。该模型在极端堆积条件下重建顶夸克对产生信号方面表现优于现有方法，增强了HL-LHC的发现潜力。