在高能物理实验中，利用Lorenzetti Showers框架进行能量校准的机器学习方法

《IEEE Transactions on Nuclear Science》：Machine learning for energy calibration in high energy physics experiments using the Lorenzetti Showers Framework

　　

摘要：

在高能物理实验中，准确的能量校准对于提高触发级别决策能力以及增强涉及电子和光子最终态的事件选择至关重要。原始的能量测量结果常常受到堆积效应、电子噪声和探测器非线性的影响，这些因素会引入系统偏差，从而降低信号质量。本文利用Lorenzetti Showers框架生成的模拟数据来解决这些挑战。我们评估了多种机器学习（ML）模型，用于逐个事件地估计校准因子，这些模型采用了通过相关性分析、互信息、主成分分析（PCA）和独立成分分析（ICA）技术获取的简洁高效的特征集。未经分箱处理的梯度提升决策树（BDT）取得了最佳性能：与标准方法相比，其均方根误差（RMSE）降低了58.4%，四分位距（IQR）降低了35.2%。这些改进仅使用了不到10个输入特征，并且在标准硬件上的预测时间小于10毫秒，表明该方法在低延迟环境中具有可行性。统计测试证实，校准误差的均值精度和方差的改进在统计上都是显著的。提出的基于机器学习的策略为触发系统中的实时能量校准提供了一种有前景的解决方案，有望提升未来对撞机实验中在线事件重建的精度。