How to reconstruct the unknown physical quantities using neural networks?

Abstract

In this article an application of neural networks to the reconstruction of unknown physical quantities in particle physics is presented. As an example the mass reconstruction of the hypothetical Higgs boson in the typical high energy physics experiment is used. Monte Carlo events are used to determine the probability distributions of observables (energies of two jets and the angle between them) for various Higgs boson mass, which are later fitted using a Neural Network. These distributions are used to determine the mass probability distribution of the measured particle. The mass is reconstructed without knowing the functional dependence between the observables and the measured quantity. The miscalibration of the measured quantities is automatically corrected in this method.

W artykule zaprezentowane jest zastosowanie sieci neuronowych do rekonstrukcji nieznanych wielkości w fizyce cząstek elementarnych. Jako przykład użyta jest rekonstrukcja masy hipotetycznego bozonu Higgsa oparta na symulowanych danych. Dane te zostały użyte do wyznaczenia rozkładów prawdopodobieństwa mierzonych wielkości (energie dwóch dżetów oraz kąt pomiędzy nimi) dla różnych mas cząstki Higgsa. Rozkłady te zostały następnie sparametryzowane za pomocą sieci neuronowych oraz wyznaczenia rozkładu prawdopodobieństwa masy mierzonej cząstki. Masa jest wyznaczona bez użycia zależności funkcyjnej pomiędzy mierzonymi wielkościami a rekonstruowaną masą. Kalibracja wielkości pomiarowych jest automatycznie korygowana poprzez rozkłady prawdopodobieństwa.