ترجمه فارسی مقاله تعامل روش‌های سنتی و الگوریتم‌های یادگیری ماشین برای برچسب‌گذاری اشیاء تقویت‌شده

چکیده

Interest in deep learning in collider physics has been growing in recent years, specifically in applying these methods in jet classification, anomaly detection, particle identification etc. Among those, jet classification using neural networks is one of the well-established areas. In this review, we discuss different tagging frameworks available to tag boosted objects, especially boosted Higgs boson and top quark, at the Large Hadron Collider (LHC). Our aim is to study the interplay of traditional jet substructure based methods with the state-of-the-art machine learning ones. In this methodology, we would gain some interpretability of those machine learning methods, and which in turn helps to propose hybrid taggers relevant for tagging of those boosted objects belonging to both Standard Model (SM) and physics beyond the SM.

چکیده به فارسی (ترجمه ماشینی)

علاقه به یادگیری عمیق در فیزیک برخورد در سالهای اخیر در حال رشد بوده است ، به طور خاص در استفاده از این روش ها در طبقه بندی جت ، تشخیص ناهنجاری ، شناسایی ذرات و غیره. در میان آن ، طبقه بندی جت با استفاده از شبکه های عصبی یکی از مناطق مستقر است.در این بررسی ، ما در مورد چارچوب های مختلف برچسب زدن در دسترس برای برچسب زدن اشیاء تقویت شده ، به ویژه تقویت شده Higgs Boson و Top Quark ، در Collider Hadron (LHC) بحث می کنیم.هدف ما مطالعه تعامل روشهای سنتی مبتنی بر زیر ساخت جت با روشهای پیشرفته یادگیری ماشین است.در این روش ، ما برخی از تفسیر آن روشهای یادگیری ماشین را به دست می آوریم ، و به نوبه خود به پیشنهاد برچسب های ترکیبی مربوط برای برچسب زدن آن اشیاء تقویت شده متعلق به مدل استاندارد (SM) و فیزیک فراتر از SM کمک می کند.