مقاله برچسب زدن جت کارآمد و قوی در LHC با استخراج دانش

چکیده

The challenging environment of real-time data processing systems at the Large Hadron Collider (LHC) strictly limits the computational complexity of algorithms that can be deployed. For deep learning models, this implies that only models with low computational complexity that have weak inductive bias are feasible. To address this issue, we utilize knowledge distillation to leverage both the performance of large models and the reduced computational complexity of small ones. In this paper, we present an implementation of knowledge distillation, demonstrating an overall boost in the student models’ performance for the task of classifying jets at the LHC. Furthermore, by using a teacher model with a strong inductive bias of Lorentz symmetry, we show that we can induce the same inductive bias in the student model which leads to better robustness against arbitrary Lorentz boost.

چکیده به فارسی (ترجمه ماشینی)

محیط چالش برانگیز سیستم های پردازش داده های در زمان واقعی در Collider Hadron بزرگ (LHC) پیچیدگی محاسباتی الگوریتم هایی را که می توانند مستقر شوند ، به شدت محدود می کند.برای مدلهای یادگیری عمیق ، این بدان معنی است که فقط مدلهایی با پیچیدگی محاسباتی کم که دارای تعصب القایی ضعیف هستند امکان پذیر است.برای پرداختن به این مسئله ، ما از تقطیر دانش برای بهره برداری از عملکرد مدل های بزرگ و همچنین کاهش پیچیدگی محاسباتی مدل های کوچک استفاده می کنیم.در این مقاله ، ما یک اجرای تقطیر دانش را ارائه می دهیم ، که نشان دهنده افزایش کلی در عملکرد مدل های دانشجویی برای کار طبقه بندی جت ها در LHC است.علاوه بر این ، با استفاده از یک مدل معلم با تعصب القایی قوی از تقارن لورنتز ، ما نشان می دهیم که می توانیم همان تعصب القایی را در مدل دانشجویی القا کنیم که منجر به استحکام بهتر در برابر تقویت لورنتز دلخواه می شود.