大规模深度学习用于多喷注事件分类
摘要：在13 TeV的质子-质子碰撞中使用高性能计算(HPC)进行最大规模的深度学习，用于CMS模拟数据的物理分析。我们构建了一个卷积神经网络(CNN)模型，该模型将低级别信息作为图像，考虑了CMS探测器的几何形状，并使用该模型将违反R-守恒超对称(RPV SUSY)事件与标准模型中具有非弹性量子过程的背景事件(量子色动力学(QCD)多喷注)进行区分。我们将CNN方法的分类性能与广泛使用的基于截断的方法进行了比较。CNN方法的信号效率(和预期显著性)比基于截断的方法高1.85(1.2)倍。为了加速训练，模型训练使用韩国科学技术信息研究院的Nurion HPC系统进行，该系统配备了成千上万个并行的Xeon Phi CPU。值得注意的是，我们的CNN模型在1024个节点上展示了可扩展性。
作者：Jiwoong Kim, Dongsung Bae, Kihyeon Cho, Junghwan Goh, Jaegyoon Hahm, Taeyoung Hong, Soonwook Hwang, Minsik Kim, Sungwon Kim, Tongil Kim, Chang-Seong Moon, Hunjoo Myung, Hokyeong Nam, Changhyun Yoo, Hwidong Yoo
论文ID：2207.11710
分类：High Energy Physics - Experiment
分类简称：hep-ex
提交时间：2023-06-01