Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
AI-Based Assistance for Management of Oral Community Knowledge in Low-Resource and Colloquial Kannada Language Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

Machine Learning in Particle Physics

verfasst von : Milind V. Purohit

Erschienen in: Big Data Analytics in Astronomy, Science, and Engineering

Verlag: Springer Nature Switzerland

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This note surveys developments in particle physics due to advances made in the fields of statistics, machine learning, and artificial intelligence. With the aid of examples and recent work, this article attempts to give a flavor of the effect of these advances on particle physics, including brief mention of cloud computing, classic machine learning techniques, statistics applications, new ML/AI techniques, reinforcement learning, and other advances. Suggestions are made regarding the future.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel DMC Approach for Modeling Viral Transmission over Respiratory System
Nächstes Kapitel A Robust Ensemble Machine Learning Model with Advanced Voting Techniques for Comment Classification
Literatur
1.
2.
Hara, T.: Belle II Computing Update: KEK, 2020 May GDB
3.
Khan, F.: HTCondor at Fermilab: Fermilab (2023)
4.
De, K., Klimentov, A.: Future Data-Intensive Experiment Computing ...: Computing in High Energy and Nuclear Physics (2023)
5.
The ATLAS Collaboration: Observation of a new particle in the search for the Standard Model Higgs boson with the ATLAS detector at the LHC: Phys. Lett. B716, 1–29 (2012)
6.
The ATLAS Collaboration, Measurement of the properties of Higgs boson production at \(\sqrt{s} = 13\) TeV in the \(H\rightarrow \gamma \gamma \) channel using 139 \(fb^{-1}\) of \(pp\) collision data with the ATLAS experiment: EP 07 (2023). 088
7.
Inami, K.: TOP counter for particle identification at the Belle II experiment. Nucl. Instrum. Methods Phys. Res. A 766, 5–8 (2014)CrossRef
8.
Sandilya, S., Schwartz, A.: Kaon and Pion Identification Performances in Phase III data for TOP detector: BELLE2-NOTE-PL-2019-014
9.
Bessner, M.: The Belle II imaging Time-Of-Propagation (iTOP) detector in first collisions: VCI Vienna, b 22 (2019)
10.
Image from Wikimedia Commons, Creative Commons license
11.
Neyman, J., Pearson, E.S.: On the use and interpretation of certain test criteria for purposes of statistical inference. Biometrika 20A, 175–240, 263–294
12.
Neyman, J., Pearson, E.S.: IX. On the problem of the most efficient tests of statistical hypotheses. Phil. Trans. R. Soc. Lond. A. 231(694–706), 289–337 (1933)
13.
Mémoire sur la théorie des déblais et des remblais: G. Monge, De l’Imprimerie Royale (1781)
14.
Kantorovich, L.V.: On the Translocation of Masses: J Math Sci 133, 1381-1382 (2006). Originally published in Dokl. Akad. Nauk SSSR, 37, No. 7–8, 227–229 (1942)
15.
Brenier, Y.: Polar factorization and monotone rearrangement of vector-valued functions. Commun. Pure Appl. Math. 44(4), 375–417 (1991)MathSciNetCrossRef
16.
Villani, C.: Topics in Optimal Transportation: American Mathematical Society (2003). in the Graduate Studies in Mathematics Series
17.
Figalli, A.: The Monge problem on non-compact manifolds: Rend. Sem. Mat. Univ. Padova 117, 147–166 (2007)
18.
Vaserstein, L.N.: Markov processes over denumerable products of spaces, describing large systems of automata. Problemy Peredači Informacii. 5(3), 64–72 (1969)MathSciNet
19.
Rudin, C., et al.: Interpretable machine learning: fundamental principles and 10 grand challenges. Stat. Surv. 16, 1–85 (2022)MathSciNetCrossRef
20.
Alanazi, Y., et al.: A survey of machine learning-based physics event generation. In: The Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence (IJCAI-21) Survey Track
21.
Butter, A., et al.: Ganplifying event samples. arXiv, 2008.06545 (2020)
22.
Matchev, K.T., Shyamsundar, P.: Uncertainties associated with GAN-generated datasets in high energy physics: arXiV 2002.06307v2 (2020)
23.
Kansal, R., et al.: Evaluating generative models in high energy physics. Phys. Rev. D 107, 076017 (2023)CrossRef
24.
Matchev, K.T., Roman, A., Shyamsundar, P.: Uncertainties associated with GAN-generated datasets in high energy physics. SciPost Phys. 12(3), 104 (2022)MathSciNetCrossRef
25.
26.
27.
28.
Hardt, M., Recht, B.: Patterns, Predictions, and Actions. Princeton University Press, Princeton (2022)
29.
Kasieczka, G., Nachman, B., Shih, D., et al.: The LHC Olympics 2020. Rep. Prog. Phys. 84, 12 IOP Publishing (2021). arXiv:​2101.​08320 [hep-ph]
Metadaten
Titel
Machine Learning in Particle Physics
verfasst von
Milind V. Purohit
Copyright-Jahr
2024
Buch
Big Data Analytics in Astronomy, Science, and Engineering

Print ISBN: 978-3-031-58501-2

Electronic ISBN: 978-3-031-58502-9

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-3-031-58502-9_9

Premium Partner

    Bildnachweise