Autoencodeurs entraînés adversarialement pour des recherches de nouvelles physiques robustes non supervisées

Les techniques d'apprentissage machine en physique des particules sont les plus puissantes lorsqu'elles sont entraînées directement sur les données, afin d'éviter la sensibilité aux incertitudes théoriques ou un biais sous-jacent sur le signal attendu. Pour pouvoir s'entraîner sur des données lors de recherches de nouvelles physiques, des méthodes de détection d'anomalies sont impératives, ce qui peut être réalisé par un autoencodeur agissant comme un classificateur non supervisé. La dernière source d'incertitudes affectant le classificateur est ensuite les incertitudes expérimentales dans la reconstruction des objets d'état final. Pour atténuer leur effet sur le classificateur et permettre une évaluation réaliste de la méthode, nous proposons de combiner l'autoencodeur avec un réseau neuronal adversarial pour éliminer sa sensibilité à l'étalement des objets d'état final. Nous quantifions cet effet et montrons qu'il est possible d'atteindre une détection d'anomalies robuste dans les états finaux tt t t ¯ induits par résonance.