據外媒Neowin報道,物理領域的研究受益于人工神經網絡和深度學習的興起。過去,我們已經看到它們被用于研究暗物質和大型星系。而現在科學家已經在外來粒子研究中使用了神經網絡。在歐洲核子研究組織(CERN)的大型強子對撞機(LHC)上建立的緊湊型μ子介子螺線管(CMS)上,研究人員正在使用神經網絡識別由LHC內部質子-質子碰撞產生的非典型實驗特征。
傳統碰撞算法很難追蹤這些實驗特征,因為碰撞產生的大部分“碎片”都是短暫的。但是神經網絡可以證明在這種情況下很有效。這是因為可以對它們進行實際數據訓練。
CMS的神經網絡已經使用這些數據進行了訓練,并將很快可以自動檢測實驗特征。為了進行訓練,研究人員使用了通過向后傳播進行域自適應來改善在碰撞數據中觀察到的噴氣機類概率分布的仿真模型。
對神經網絡進行了訓練(在監督下),以區分由長壽命粒子的衰變所產生的稱為“射流”的粒子噴霧與更為常見的物理過程所產生的射流。
到目前為止,該模型已顯示出令人鼓舞的結果。在對粒子軌道進行分析的過程中,從長壽命粒子中正確識別出噴射流的可能性為50%,在每千次中該模型僅一次錯誤識別了常規噴射流,并顯示出較少的誤報和誤報。
CERN相信,新系統將有助于推進該機構尋找短暫和奇異顆粒的要求。有關更多信息,您可以研究在arXiv上發表的論文。
-
神經網絡
+關注
關注
42文章
4814瀏覽量
103461 -
深度學習
+關注
關注
73文章
5560瀏覽量
122755
發布評論請先 登錄
BP神經網絡與卷積神經網絡的比較
BP神經網絡的優缺點分析
BP神經網絡的基本原理
BP神經網絡在圖像識別中的應用
人工神經網絡的原理和多種神經網絡架構方法

基于光學衍射神經網絡的軌道角動量復用全息技術的設計與實驗研究

評論