Transfer Learning for Neutrino Scattering: Domain Adaptation with GANs
Jose L. Bonilla, Krzysztof M. Graczyk, Artur M. Ankowski, Rwik Dharmapal Banerjee, Beata E. Kowal, Hemant Prasad, Jan T. Sobczyk
我们利用转移学习来推断在合成电荷电流(CC)中微子碳包容性散射数据训练的生成对抗网络(GAN)模型中编码的物理知识。 该基础模型适用于中微子-氩和反中微子-碳相互作用生成CC包容性散射事件(仅lepton 运动学)。 此外,当新数据来自不同中微子-核相互作用模型时,我们评估迁移学习在重新优化自定义模型方面的有效性。 我们的结果表明,迁移学习显著优于从头开始训练生成模型。 为了研究这一点,我们考虑了两个训练数据集:一个是10,000个,另一个有100,000个事件。 通过迁移学习获得的模型即使使用较小的训练数据也表现良好。 拟议的方法为在实验数据稀疏的情况下构建中微子散射事件发生器提供了一种有希望的方法。
We utilize transfer learning to extrapolate the physics knowledge encoded in a Generative Adversarial Network (GAN) model trained on synthetic charged-current (CC) neutrino-carbon inclusive scattering data. This base model is adapted to generate CC inclusive scattering events (lepton kinematics only) for neutrino-argon and antineutrino-carbon interactions. Furthermore, we assess the effectiveness of transfer learning in re-optimizing a custom model when new data comes from a different neutrino-n...
