힉스

  • 설명 :

데이터는 Monte Carlo 시뮬레이션을 사용하여 생성되었습니다. 처음 21개의 특징(열 2-22)은 가속기의 입자 탐지기로 측정된 운동학적 특성입니다. 마지막 7개 기능은 처음 21개 기능의 기능입니다. 이들은 두 클래스를 구별하는 데 도움이 되도록 물리학자들이 파생한 높은 수준의 기능입니다. 물리학자가 이러한 기능을 수동으로 개발할 필요성을 없애기 위해 딥 러닝 방법을 사용하는 데 관심이 있습니다. 표준 물리 패키지와 5계층 신경망의 베이지안 결정 트리를 사용한 벤치마크 결과는 원본 논문에 제시되어 있습니다.

나뉘다
'train' 11,000,000
  • 기능 구조 :
FeaturesDict({
    'class_label': float32,
    'jet_1_b-tag': float64,
    'jet_1_eta': float64,
    'jet_1_phi': float64,
    'jet_1_pt': float64,
    'jet_2_b-tag': float64,
    'jet_2_eta': float64,
    'jet_2_phi': float64,
    'jet_2_pt': float64,
    'jet_3_b-tag': float64,
    'jet_3_eta': float64,
    'jet_3_phi': float64,
    'jet_3_pt': float64,
    'jet_4_b-tag': float64,
    'jet_4_eta': float64,
    'jet_4_phi': float64,
    'jet_4_pt': float64,
    'lepton_eta': float64,
    'lepton_pT': float64,
    'lepton_phi': float64,
    'm_bb': float64,
    'm_jj': float64,
    'm_jjj': float64,
    'm_jlv': float64,
    'm_lv': float64,
    'm_wbb': float64,
    'm_wwbb': float64,
    'missing_energy_magnitude': float64,
    'missing_energy_phi': float64,
})
  • 기능 문서 :
특징 수업 모양 D타입 설명
풍모Dict
class_label 텐서 float32
jet_1_b-태그 텐서 float64
jet_1_eta 텐서 float64
jet_1_phi 텐서 float64
jet_1_pt 텐서 float64
jet_2_b-태그 텐서 float64
jet_2_eta 텐서 float64
jet_2_phi 텐서 float64
jet_2_pt 텐서 float64
jet_3_b-태그 텐서 float64
jet_3_eta 텐서 float64
jet_3_phi 텐서 float64
jet_3_pt 텐서 float64
jet_4_b-태그 텐서 float64
jet_4_eta 텐서 float64
jet_4_phi 텐서 float64
jet_4_pt 텐서 float64
lepton_eta 텐서 float64
lepton_pT 텐서 float64
lepton_phi 텐서 float64
m_bb 텐서 float64
m_jj 텐서 float64
m_jjj 텐서 float64
m_jlv 텐서 float64
m_lv 텐서 float64
m_wbb 텐서 float64
m_wwbb 텐서 float64
missing_energy_magnitude 텐서 float64
missing_energy_phi 텐서 float64
  • 인용 :
@article{Baldi:2014kfa,
      author         = "Baldi, Pierre and Sadowski, Peter and Whiteson, Daniel",
      title          = "{Searching for Exotic Particles in High-Energy Physics
                        with Deep Learning}",
      journal        = "Nature Commun.",
      volume         = "5",
      year           = "2014",
      pages          = "4308",
      doi            = "10.1038/ncomms5308",
      eprint         = "1402.4735",
      archivePrefix  = "arXiv",
      primaryClass   = "hep-ph",
      SLACcitation   = "%%CITATION = ARXIV:1402.4735;%%"
}
,

  • 설명 :

데이터는 Monte Carlo 시뮬레이션을 사용하여 생성되었습니다. 처음 21개의 특징(열 2-22)은 가속기의 입자 탐지기로 측정된 운동학적 특성입니다. 마지막 7개 기능은 처음 21개 기능의 기능입니다. 이들은 두 클래스를 구별하는 데 도움이 되도록 물리학자들이 파생한 높은 수준의 기능입니다. 물리학자가 이러한 기능을 수동으로 개발할 필요성을 없애기 위해 딥 러닝 방법을 사용하는 데 관심이 있습니다. 표준 물리 패키지와 5계층 신경망의 베이지안 결정 트리를 사용한 벤치마크 결과는 원본 논문에 제시되어 있습니다.

나뉘다
'train' 11,000,000
  • 기능 구조 :
FeaturesDict({
    'class_label': float32,
    'jet_1_b-tag': float64,
    'jet_1_eta': float64,
    'jet_1_phi': float64,
    'jet_1_pt': float64,
    'jet_2_b-tag': float64,
    'jet_2_eta': float64,
    'jet_2_phi': float64,
    'jet_2_pt': float64,
    'jet_3_b-tag': float64,
    'jet_3_eta': float64,
    'jet_3_phi': float64,
    'jet_3_pt': float64,
    'jet_4_b-tag': float64,
    'jet_4_eta': float64,
    'jet_4_phi': float64,
    'jet_4_pt': float64,
    'lepton_eta': float64,
    'lepton_pT': float64,
    'lepton_phi': float64,
    'm_bb': float64,
    'm_jj': float64,
    'm_jjj': float64,
    'm_jlv': float64,
    'm_lv': float64,
    'm_wbb': float64,
    'm_wwbb': float64,
    'missing_energy_magnitude': float64,
    'missing_energy_phi': float64,
})
  • 기능 문서 :
특징 수업 모양 D타입 설명
풍모Dict
class_label 텐서 float32
jet_1_b-태그 텐서 float64
jet_1_eta 텐서 float64
jet_1_phi 텐서 float64
jet_1_pt 텐서 float64
jet_2_b-태그 텐서 float64
jet_2_eta 텐서 float64
jet_2_phi 텐서 float64
jet_2_pt 텐서 float64
jet_3_b-태그 텐서 float64
jet_3_eta 텐서 float64
jet_3_phi 텐서 float64
jet_3_pt 텐서 float64
jet_4_b-태그 텐서 float64
jet_4_eta 텐서 float64
jet_4_phi 텐서 float64
jet_4_pt 텐서 float64
lepton_eta 텐서 float64
lepton_pT 텐서 float64
lepton_phi 텐서 float64
m_bb 텐서 float64
m_jj 텐서 float64
m_jjj 텐서 float64
m_jlv 텐서 float64
m_lv 텐서 float64
m_wbb 텐서 float64
m_wwbb 텐서 float64
missing_energy_magnitude 텐서 float64
missing_energy_phi 텐서 float64
  • 인용 :
@article{Baldi:2014kfa,
      author         = "Baldi, Pierre and Sadowski, Peter and Whiteson, Daniel",
      title          = "{Searching for Exotic Particles in High-Energy Physics
                        with Deep Learning}",
      journal        = "Nature Commun.",
      volume         = "5",
      year           = "2014",
      pages          = "4308",
      doi            = "10.1038/ncomms5308",
      eprint         = "1402.4735",
      archivePrefix  = "arXiv",
      primaryClass   = "hep-ph",
      SLACcitation   = "%%CITATION = ARXIV:1402.4735;%%"
}