从madGraph中开采黄金以改进粒子物理中的极限设置。
madminer的Python项目详细描述
madminer:基于机器学习的粒子物理推理
作者：johann brehmer、felix kling、irina espejo和kyle cranmer
粒子物理过程通常是用复杂的蒙特卡罗模拟硬过程，帕顿阵雨，
以及探测器的相互作用。这些模拟器通常不接受可处理的似然函数：给定
高维）一组观测值，通常无法计算这些观测值的概率
一些模型参数。粒子物理优化器通常通过
手工挑选一些“好的”观测数据或汇总统计数据，并填写它们的直方图。但是这个传统
这种方法丢弃了所有其他可观察到的信息，并且通常不能很好地扩展到高维问题。 在三个出版物中
"Constraining Effective Field Theories With Machine Learning"，
"A Guide to Constraining Effective Field Theories With Machine Learning"，和
"Mining gold from implicit models to improve likelihood-free inference"，
一种新的方法已经开发出来。在螺母壳中，从模拟中提取附加信息，即
与决定硬过程的矩阵元素密切相关。这个
“增强数据”可用于训练神经网络以有效地逼近任意似然比。我们
戏称这个过程为从模拟器中“挖掘黄金”，因为这个信息可能很难获得，但是结果是
对推论很有价值。 但黄金不必很难开采：madminer自动化了这些现代多元推理策略。它
围绕着模拟器madgraph和pythia，有不同的探测器模拟选项。它简化了所有
分析链中从模拟到增强数据提取、处理、训练的步骤
对神经网络进行了评价，并进行了统计分析。 我们的主要出版物MadMiner: Machine-learning-based inference for particle physics
提供此包的概述。我们建议在跳入代码之前先阅读它。 请看一下我们的installation instructions。 在这个存储库的examples文件夹中，我们提供了两个教程。第一次
examples/tutorial_toy_simulator/tutorial_toy_simulator.ipynb
是基于玩具问题而不是全粒子物理模拟。它证明了
使用madminer进行推理，而无需花费大量时间在运行模拟的技术步骤上。第二个，
在examples/tutorial_particle_physics，显示了粒子物理学的所有步骤
与Madminer分析。 madminer api记录在readthedocs上。 如果你有任何问题，请
与我们聊天in our Gitter community或写信给我们
johann.brehmer@nyu.edu。 如果您使用madminer，请引用我们的主要出版物， 代码本身可以引用为 实现的推理技术的主要参考如下： 我们非常感谢所有的贡献者和错误记者！特别是，我们要感谢祖拜尔·巴蒂，
卢卡斯·海因里希、亚历山大·霍尔德和塞缪尔·霍米勒。 丑闻推理方法基于Masked Autoregressive Flows，并且
实现是George Papamakarios等人的原始代码的pytorch端口，可在
https://github.com/gpapamak/maf。 setup.py改编自
https://github.com/kennethreitz/setup.py。 欢迎加入QQ群-->： 979659372
简介
资源
纸张
安装说明
教程
文件
支持
引文
@article{Brehmer:2019xox,
author = "Brehmer, Johann and Kling, Felix and Espejo, Irina and
Cranmer, Kyle",
title = "{MadMiner: Machine learning-based inference for particle
physics}",
year = "2019",
eprint = "1907.10621",
archivePrefix = "arXiv",
primaryClass = "hep-ph",
SLACcitation = "%%CITATION = ARXIV:1907.10621;%%"
}
@misc{MadMiner_code,
author = "Brehmer, Johann and Kling, Felix and Espejo, Irina and Cranmer, Kyle",
title = "{MadMiner}",
doi = "10.5281/zenodo.1489147",
url = {https://github.com/diana-hep/madminer}
}
致谢
推荐PyPI第三方库