Fast supersymmetry phenomenology at the Large Hadron Collider using machine learning techniques

      دانلود مقاله در فرمت پی دی اف

 مشاهده مقالاتی که بسیار مرتبط با این مقاله هستند

 جستجو و دانلود کتاب های مرتبط با این مقاله از سایت بوک یار

     ترجمه فارسی را دوزبانه مشاهده کنید

  این ترجمه کامپیوتری بوده و نیاز به ویرایش دارد

Abstract: A pressing problem for supersymmetry (SUSY) phenomenologists is how to incorporate Large Hadron Collider search results into parameter fits designed to measure or constrain the SUSY parameters. Owing to the computational expense of fully simulating lots of points in a generic SUSY space to aid the calculation of the likelihoods, the limits published by experimental collaborations are frequently interpreted in slices of reduced parameter spaces. For example, both ATLAS and CMS have presented results in the Constrained Minimal Supersymmetric Model (CMSSM) by fixing two of four parameters, and generating a coarse grid in the remaining two. We demonstrate that by generating a grid in the full space of the CMSSM, one can interpolate between the output of an LHC detector simulation using machine learning techniques, thus obtaining a superfast likelihood calculator for LHC-based SUSY parameter fits. We further investigate how much training data is required to obtain usable results, finding that approximately 2000 points are required in the CMSSM to get likelihood predictions to an accuracy of a few per cent. The techniques presented here provide a general approach for adding LHC event rate data to SUSY fitting algorithms, and can easily be used to explore other candidate physics models.

Keywords: Supersymmetry phenomenology, Large Hadron Collider,

ترجمه چکیده : مشکل با فشار دادن برای ابرتقارن (SUSY) پدیدارشناسان این است که چگونه به ترکیب نتایج جستجو برخورددهنده بزرگ هادرون به پارامتر طراحی شده متناسب برای اندازه گیری و یا محدود پارامترهای SUSY. با توجه به هزینه محاسباتی به طور کامل شبیه سازی بسیاری از نقاط در یک فضای SUSY عمومی برای کمک به محاسبه احتمال، محدودیت های منتشر شده توسط همکاری های تجربی غالبا در برش از کاهش فضای پارامتر تفسیر شده است. به عنوان مثال، هر دو ATLAS و CMS نتایج در مدل ابر متقارن حداقل محدود (CMSSM) تعمیر دو از چهار پارامتر، و ایجاد یک شبکه درشت در دو باقی مانده ارائه داده اند. ما نشان می دهد که با ایجاد یک شبکه در فضای پر از CMSSM، می توان بین خروجی شبیه سازی آشکارساز LHC با استفاده از تکنیک های یادگیری ماشین در میان عبارات دیگر، در نتیجه به دست آوردن یک ماشین حساب احتمال سریع برای پارامتر SUSY بر اساس LHC-متناسب با. ما با بررسی بیشتر چه مقدار اطلاعات آموزشی مورد نیاز است برای به دست آوردن نتایج قابل استفاده، مشخص شده که تقریبا 2000 امتیاز در CMSSM مورد نیاز برای دریافت پیش بینی احتمال با دقت یک سنت در هر چند. تکنیک های ارائه شده در اینجا ارائه یک رویکرد کلی برای اضافه کردن داده های نرخ رویداد LHC به SUSY الگوریتم های مناسب، و می تواند به راحتی مورد استفاده قرار گیرد برای کشف سایر مدل ها فیزیک نامزد. (این متن توسط ماشین ترجمه شده است لذا ممکن است نیاز به ویرایش داشته باشد)