مقاله jetlov: تقویت برچسب زدن درخت جت از طریق یادگیری شبکه عصبی از متغیرهای بهینه لوندنت
| عنوان مقاله به انگلیسی | JetLOV: Enhancing Jet Tree Tagging through Neural Network Learning of Optimal LundNet Variables |
| عنوان مقاله به فارسی | مقاله jetlov: تقویت برچسب زدن درخت جت از طریق یادگیری شبکه عصبی از متغیرهای بهینه لوندنت |
| نویسندگان | Mauricio A. Diaz, Giorgio Cerro, Jacan Chaplais, Srinandan Dasmahapatra, Stefano Moretti |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| تعداد صفحات | 6 |
| دسته بندی موضوعات | High Energy Physics - Phenomenology,Machine Learning,فیزیک انرژی بالا - پدیدارشناسی , یادگیری ماشین , |
| توضیحات | Submitted 24 November, 2023; originally announced November 2023. , Comments: Accepted at the NeurIPS 2023 workshop: Machine Learning and the Physical Sciences |
| توضیحات به فارسی | ارسال شده 24 نوامبر 2023 ؛در ابتدا نوامبر 2023 اعلام شد ، نظرات: پذیرفته شده در کارگاه Neurips 2023: یادگیری ماشین و علوم فیزیکی |
چکیده
Machine learning has played a pivotal role in advancing physics, with deep learning notably contributing to solving complex classification problems such as jet tagging in the field of jet physics. In this experiment, we aim to harness the full potential of neural networks while acknowledging that, at times, we may lose sight of the underlying physics governing these models. Nevertheless, we demonstrate that we can achieve remarkable results obscuring physics knowledge and relying completely on the model's outcome. We introduce JetLOV, a composite comprising two models: a straightforward multilayer perceptron (MLP) and the well-established LundNet. Our study reveals that we can attain comparable jet tagging performance without relying on the pre-computed LundNet variables. Instead, we allow the network to autonomously learn an entirely new set of variables, devoid of a priori knowledge of the underlying physics. These findings hold promise, particularly in addressing the issue of model dependence, which can be mitigated through generalization and training on diverse data sets.
چکیده به فارسی (ترجمه ماشینی)
یادگیری ماشین نقش مهمی در پیشرفت فیزیک داشته است ، با یادگیری عمیق به ویژه در حل مشکلات طبقه بندی پیچیده مانند برچسب زدن جت در زمینه جت فیزیک نقش دارد.در این آزمایش ، هدف ما این است که از پتانسیل کامل شبکه های عصبی استفاده کنیم و در حالی که تصدیق می کنیم ، در بعضی مواقع ، ممکن است فیزیک اساسی حاکم بر این مدل ها را از دست بدهیم.با این وجود ، ما نشان می دهیم که می توانیم به نتایج قابل توجهی دست یابیم که دانش فیزیک را مبهم می کند و کاملاً به نتیجه مدل تکیه می کنیم.ما Jetlov را معرفی می کنیم ، یک کامپوزیت که شامل دو مدل است: یک Perceptron چند لایه ساده (MLP) و Lundnet به خوبی تثبیت شده.مطالعه ما نشان می دهد که ما می توانیم بدون تکیه بر متغیرهای قبل از محاصره Lundnet ، عملکرد برچسب زدن جت را بدست آوریم.درعوض ، ما به شبکه اجازه می دهیم تا به طور مستقل مجموعه ای کاملاً جدید از متغیرها را بیاموزد ، عاری از دانش پیشینی از فیزیک اساسی.این یافته ها نوید را دارند ، به ویژه در پرداختن به مسئله وابستگی به مدل ، که می تواند از طریق تعمیم و آموزش در مجموعه داده های متنوع کاهش یابد.📚 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.
-
کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع -
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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.