Główne pojęcia
Eine einzelne normalisierender Fluss kann verwendet werden, um komplexe Unterschiede zwischen Simulationen und Daten in Hochenergiephysik-Experimenten zu korrigieren.
Streszczenie
In diesem Artikel wird eine Methode zur Korrektur von Simulationen in der Hochenergiephysik vorgestellt, die auf einem einzelnen normalisierenden Fluss basiert. Der normalisierender Fluss wird gleichzeitig auf Simulations- und Datensätze trainiert, um eine bedingte Abbildung zwischen den Eingabeverteilungen und einer gemeinsamen Basisverteilung zu lernen. Durch Umschalten der Bedingung kann dann die Simulation in die Datenverteilung überführt werden.
Die Methode wird anhand eines physikbasierten Spielzeugdatensatzes evaluiert, der nicht-triviale Unterschiede in den Randverteilungen und Korrelationen zwischen Simulation und Daten aufweist. Es zeigt sich, dass der einzelne normalisierender Fluss in der Lage ist, diese Unterschiede effektiv zu korrigieren. Die korrigierten Simulationen stimmen sehr gut mit den Daten überein, sowohl in den Randverteilungen als auch in den Korrelationen zwischen den Variablen. Außerdem ist es für einen Boosted Decision Tree sehr schwierig, korrigierte Simulationen von Daten zu unterscheiden.
Die vorgestellte Methode ist einfach in der Umsetzung und zeigt eine hervorragende Leistung bei der Korrektur komplexer Unterschiede zwischen Simulationen und Daten in der Hochenergiephysik.
Statystyki
Die Transversalimpulsverteilung (pT) der Simulation folgt einer Exponentialverteilung mit einem Skalierungsparameter von 0,95, während der Skalierungsparameter für die Daten 1,0 beträgt.
Die Pseudorapidität (η) der Simulation wird durch eine Gaußverteilung mit einem Mittelwert von 1,0 und einer Standardabweichung von 0,2 beschrieben, während für die Daten eine Standardabweichung von 0,25 verwendet wird.
Der Anteil der Ereignisse mit einem Wert von Null für die diskontinuierlichen Merkmale vB
1 und vB
2 ist in der Simulation höher als in den Daten und hängt von den Werten der Hilfsvariablen pT und N ab.
Cytaty
"Eine einzelne normalisierender Fluss kann verwendet werden, um komplexe Unterschiede zwischen Simulationen und Daten in Hochenergiephysik-Experimenten zu korrigieren."
"Der normalisierender Fluss wird gleichzeitig auf Simulations- und Datensätze trainiert, um eine bedingte Abbildung zwischen den Eingabeverteilungen und einer gemeinsamen Basisverteilung zu lernen."
"Die vorgestellte Methode ist einfach in der Umsetzung und zeigt eine hervorragende Leistung bei der Korrektur komplexer Unterschiede zwischen Simulationen und Daten in der Hochenergiephysik."