机构名称：
¥ 1.0
摘要：在本文中，我们探讨了生成机器学习模型作为计算昂贵的Monte Carlo（MC）模拟的替代品的潜力，该模拟（MC）模拟了大型强子撞机（LHC）实验通常使用的。我们的目标是开发一个能够有效地模拟特定粒子可观察物的检测器响应的生成模型，重点关注同一事件中不同颗粒的检测器响应之间的相关性并适应不对称的检测器响应。我们基于掩盖自回归流链的条件归一化流量模型（CNF），有效地结合了条件变量和高维密度分布。我们使用在LHC上对偶发事件的Higgs玻色子腐烂样品进行了模拟样本评估CNF模型的性能。我们使用涂抹技术创建重建级别的可观察力。我们表明，有条件地归一化的流可以准确地对复杂的检测器响应及其相关性进行建模。此方法可以潜在地减少与生成大量模拟事件相关的计算负担，同时确保生成的事件满足数据分析的要求。我们在https://github.com/allixu/normalizing_flow_flow_for_detector_response
有条件的探测器响应建模的生成机器学习
主要关键词
相关文件推荐
