Further Improvements to AngryTops: A machine learning package for the reconstruction of top-quark pair decay kinematics
Notice bibliographique
Résumé
Studies of the top quark provide unique insights into the Standard Model due to its large mass. However, the kinematics of $t\bar{t}$ decays is difficult to reconstruct due to the complexity of these events and limited detector resolution. Neural networks are thought to perform as well as state-of-the-art statistical algorithms for reconstruction purposes. Our group has developed a machine learning package called AngryTops, a BLSTM neural network that reconstructs $t\Bar{t}$ decay pair kinematics resulting from 13 TeV $pp$ collisions. Although the package successfully reconstructs the kinematic variable distributions, we lack a systematic way to evaluate the network's performance on individual events. We implement improvements to better characterize the network's performance. We also introduce an algorithm that matches the observed leptons and jets with particles arising from the $t\bar{t}$ decay (truth particles). The variables used for matching are then used to filter the training dataset, retaining only events that the network should be able to reconstruct well. We train the network on the filtered dataset and evaluate how the network performs compared to when it is trained on the original sample. We also develop a $\chi^2$ metric and corresponding p-value test to assess predictions for each event. Further developments including data augmentation and fine-tuning parameters will be investigated using the $\chi^2$ test and matching algorithm as performance metrics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,031 | 0,013 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».