ترجمه فارسی مقاله تشخیص ناهنجاری مبتنی بر یادگیری ماشین برای پایش آنلاین کیفیت داده‌های گرماسنج الکترومغناطیسی CMS

چکیده

A real-time autoencoder-based anomaly detection system using semi-supervised machine learning has been developed for the online Data Quality Monitoring system of the electromagnetic calorimeter of the CMS detector at the CERN LHC. A novel method is introduced which maximizes the anomaly detection performance by exploiting the time-dependent evolution of anomalies as well as spatial variations in the detector response. The autoencoder-based system is able to efficiently detect anomalies, while maintaining a very low false discovery rate. The performance of the system is validated with anomalies found in 2018 and 2022 LHC collision data. Additionally, the first results from deploying the autoencoder-based system in the CMS online Data Quality Monitoring workflow during the beginning of Run 3 of the LHC are presented, showing its ability to detect issues missed by the existing system.

چکیده به فارسی (ترجمه ماشینی)

یک سیستم تشخیص ناهنجاری مبتنی بر AutoEncoder در زمان واقعی با استفاده از یادگیری ماشین نیمه تحت نظارت ، برای سیستم نظارت بر کیفیت داده های آنلاین از کالری سنج الکترومغناطیسی ردیاب CMS در CERN LHC تهیه شده است.یک روش جدید معرفی شده است که با بهره برداری از تکامل وابسته به زمان ناهنجاری ها و همچنین تغییرات مکانی در پاسخ آشکارساز ، عملکرد تشخیص ناهنجاری را به حداکثر می رساند.سیستم مبتنی بر AutoEncoder قادر به تشخیص ناهنجاری ها است ، ضمن اینکه میزان کشف کاذب بسیار کمی را حفظ می کند.عملکرد سیستم با ناهنجاری های موجود در داده های برخورد LHC 2018 و 2022 تأیید شده است.علاوه بر این ، اولین نتایج از استقرار سیستم مبتنی بر AutoEncoder در گردش کار نظارت بر کیفیت داده های آنلاین CMS در ابتدای اجرای 3 از LHC ارائه شده است که توانایی آن در تشخیص مسائل از دست رفته توسط سیستم موجود است.