Generative precision networks for particle physics - GPN42P

Abstract

Das Projekt verfolgte das Ziel, neue Methoden des maschinellen Lernens (ML) für die Hochenergiephysik zu entwickeln, um die Herausforderungen der datenintensiven Experimente am HL-LHC zu bewältigen. Im Fokus standen dabei zwei zentrale Aspekte:

Präzisionssimulationen mit generativen Netzen: Um die Rechenkosten zu senken und die Genauigkeit von Simulationen zu erhöhen, wurden generative neuronale Netze entwickelt. Diese sollten die Simulation von Prozessen höherer Ordnung verbessern und in moderne Event-Generatoren wie Sherpa integriert werden. Besonders relevant war die Kontrolle von Unsicherheiten, um die hohen Standards der Teilchenphysik zu erfüllen. Robuste Inferenzmethoden für das Unfolding: Mit invertierbaren neuronalen Netzen (cINN) wurde eine Methode entwickelt, um Detektoreffekte zu invertieren und die Simulationskette rückgängig zu machen. Dabei lag der Fokus auf der Robustheit in Regionen mit niedriger Statistik sowie der Reduktion von Modellabhängigkeiten. Ziel war es, Unsicherheiten zuverlässig abzuschätzen und die Methode für die Matrixelementmethode nutzbar zu machen.

Das Projekt adressierte damit die zentrale Herausforderung, ML-Methoden so weiterzuentwickeln, dass sie den hohen Anforderungen der Teilchenphysik an Präzision und statistische Zuverlässigkeit gerecht werden. Gleichzeitig wurden Synergien mit der Astrophysik und industriellen Anwendungen geschaffen, um die entwickelten Methoden breiter nutzbar zu machen.