Überwachtes Deep Learning in der Hochenergie-Phänomenologie: eine Mini-Überprüfung*

Zusammenfassung Deep Learning, ein Zweig des maschinellen Lernens, wurde kürzlich auf hochenergetische experimentelle und phänomenologische Studien angewendet. In dieser Notiz geben wir einen kurzen Überblick über diese Anwendungen mit überwachtem Deep Learning. Zunächst beschreiben wir verschiedene Lernmodelle und fassen dann ihre Anwendungen in hochenergetischen phänomenologischen Studien zusammen. Einige detaillierte Anwendungen werden im Detail skizziert, einschließlich des maschinellen Lernens bei der Analyse des Parameterraums neuer Physik, den graphenbasierten neuronalen Netzwerken bei der Suche nach der Produktion von Top-Squarks und bei der CP-Messung der Top-Higgs-Kopplung am LHC.