机构名称：
¥ 3.0
与整个社会一样，LHC物理学目前正在经历由现代数据科学驱动的转型。LHC物理学的实验和理论方法本质上一直是数量的，其目标是定量，系统地和全面地从基本理论方面了解数据。生成网络是现代机器学习（ML）的一个令人兴奋的概念，将无监督的密度估计与可解释的相空间中的密度估计与快速，灵活的采样和仿真相结合[1]。当前，精确生成的最有希望的杂物是使流量及其可逆网络（INN）变体，但我们会看到扩散模型和生成变压器可能会提供更好的精确和表现力平衡。LHC模拟和分析中生成网络的任务范围是广泛的。鉴于LHC模拟的模块化结构，它始于相位空间的集成和SAMPOR的[2-7]，例如ML编码的过渡幅度。更多的LHC特定任务包括事件减法[8]，事件不体[9，10]或超分辨率增强[11，12]。在物理相空间上工作的生成网络已被开发并测试为事件发生器[13 - 18]，Parton Showers [19-23]和检测器模拟[24 - 48]。这些网络应接受第一原则模拟的培训，易于处理，有效运输，可以放大培训样本[49，50]，并且 - 最重要的是 - 精确。在本文中，我们将探讨基于分类器的粒子物理学生成网络评估的优点。超越了前进，有条件的生成网络也可以应用于概率展开[51 - 56]，推理[57，58]或异常检测[59 - 64]，从而增强了精确要求。对于上述所有任务，标准化流量或旅馆都达到了LHC物理学所需的精度，稳定和控制的水平。控制这些属性网络性能的方法包括贝叶斯网络设置[18，65]，分类器 - 剥离[18，66 - 68]和增强数据的有条件培训[18]。基于这些发展，LHC物理学需要系统地评估生成网络的性能和精度[69]，例如通过新的体系结构量化可能的收益[39，70 - 72]。我们将首先定义这种系统评估的目标，然后在SEC中介绍分类器指标。2。我们将在第二节中介绍我们的喷气发射机[69]。3，并在更多细节中讨论与参考文献相似的热量计仿真。[33]4。最后，我们将展示如何使用事件权重来跟踪Sec中ML-Event Generator [18]之间的两个版本之间的进度。5。我们还将说明如何进行针对异常权重的运动学分布进行系统扫描，可以确定训练有素的网络问题以及贝叶斯网络如何帮助我们确定这种差异的原因。所有三个应用程序结合在一起，说明了在相位空间上学习的控制权重的分布是生成网络及其形状提供强大的“可解释的AI”（XAI）工具的可靠度量，该工具使我们能够系统地搜索生成模型的故障模式，确定潜在的物理学原因，并提高测试过的网络高效。
如何了解生成网络的局限性
主要关键词
相关文件推荐
