Image and Point-cloud Classification for Jet Analysis in High-Energy Physics: A survey
Hamza Kheddar, Yassine Himeur, Abbes Amira, Rachik Soualah
如今,高能物理(HEP)在其实验和现象学研究中,已经出现了越来越多的趋势,将机器学习(ML)及其专门分支深度学习(DL)纳入其中。 本综述论文使用不同的ML和DL方法对这些应用程序进行了彻底的说明。 本文的第一部分研究了各种粒子物理类型的基础知识,并建立了评估粒子物理学和现有学习模型的指导方针。 接下来,提供了详细的分类,用于表示在高能碰撞中重建的喷气机,主要是在定义明确的光束能量下的质子-质子碰撞中。 本节涵盖各种数据集、预处理技术以及特征提取和选择方法。 提出的技术可以应用于未来的强子-强子对撞机(HHC),如高光度LHC(HL-LHC)和未来圆形对撞机 - 强子-强子(FCChh)。 然后,作者探索了几种专门为HEP中的图像和点云(PC)数据设计的AI技术分析。 此外,还仔细研究了与强子碰撞中的Jet标记相关的分类。 在这篇评论中,研究了ML和DL中各种最先进的(SOTA)技术,重点是它们对HEP需求的影响。 更准确地说,这个讨论涉及各种应用,如Jet标记,Jet跟踪,粒子分类等。 审查结束时,使用DL方法分析了HEP的当前状态。 它强调了未来研究的挑战和潜在领域,每个应用都有说明。
Nowadays, there has been a growing trend in the field of high-energy physics (HEP), in both its experimental and phenomenological studies, to incorporate machine learning (ML) and its specialized branch, deep learning (DL). This review paper provides a thorough illustration of these applications using different ML and DL approaches. The first part of the paper examines the basics of various particle physics types and establishes guidelines for assessing particle physics alongside the available l...
