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

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

تگ‌ها: High Energy Physics - Experiment Machine Learning فیزیک انرژی بالا - آزمایش یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Efficient and Robust Jet Tagging at the LHC with Knowledge Distillation
عنوان مقاله به فارسی مقاله برچسب زدن جت کارآمد و قوی در LHC با استخراج دانش
نویسندگان Ryan Liu, Abhijith Gandrakota, Jennifer Ngadiuba, Maria Spiropulu, Jean-Roch Vlimant
زبان مقاله انگلیسی
فرمت مقاله: PDF
تعداد صفحات 7
دسته بندی موضوعات High Energy Physics - Experiment,Machine Learning,فیزیک انرژی بالا - آزمایش , یادگیری ماشین ,
توضیحات Submitted 23 November, 2023; originally announced November 2023. , Comments: 7 pages, 3 figures, accepted at the Machine Learning and the Physical Sciences Workshop, NeurIPS 2023 , Report number: FERMILAB-PUB-23-748-CMS
توضیحات به فارسی ارسال شده 23 نوامبر 2023 ؛در ابتدا نوامبر 2023 اعلام شد ، نظرات: 7 صفحه ، 3 شکل ، در کارگاه یادگیری ماشین و کارگاه علوم فیزیکی ، Neurips 2023 ، شماره گزارش: Fermilab-PUB-23-748-CMS پذیرفته شده است.

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.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.