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。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