Jan, 2022

一个高效的洛仑兹等变图神经网络用于喷注标识

PDF
TL;DR本论文提出了一种新的深度学习模型，称为 LorentzNet，用于粒子物理中的 Jet 标注问题，该模型维持了洛伦兹对称性，通过高效的闵可夫斯基点积注意力进行信息传递，在两个代表性的 Jet 标注引擎上进行的实验表明，LorentzNet 表现出最佳性能并显著改善了现有的最先进算法。
deep learninglorentznetjet taggingsymmetry-preservingparticle physics
发现论文，激发创造
  • 粒子物理学中的 Lorentz 群等变神经网络

    本文介绍一种基于洛伦兹群的有等变性的神经网络体系结构，其用于分类任务在粒子物理学中表现出的结果优于卷积神经网络和点云方法。

    Jun, 2020

  • 深度学习的洛伦兹层顶部标记

    本研究提出了一种新的基于深度神经网络的高效夸克顶标记器，采用 Lorentz 向量和 Minkowski 度量进行操作，不仅从量能器，而且从跟踪信息中鉴别加速顶夸克，该标记器的表现明显优于 QCD 启发式和图像识别方法。

    Jul, 2017

  • 用图网络在隆德平面中识别喷注

    本文章介绍了基于图形神经网络和喷注内部辐射模式的高效描述的 LundNet，它可以最佳地分离受到提升的对象的特征和背景事件的签名，并在多个基准测试中展示了与现有最先进算法相比显着提高的性能。

    Dec, 2020

  • 对称图神经网络用于带电粒子跟踪

    本研究介绍一种新的对称等变图神经网络 EuclidNet 用于粒子轨迹跟踪应用，利用碰撞事件的图表示并在探测器轴线上强制执行旋转对称，实现更有效的模型，在 HL-LHC 高堆积条件模拟数据集上，EuclidNet 在小模型尺寸下（<1000 参数）表现出接近最先进水平的性能，超越了非等变基准。这项研究为将来在高能物理实验中开发更节省资源的图神经网络模型打开了道路。

    Apr, 2023

  • JetLOV: 通过神经网络学习最优 LundNet 变量增强 Jet 树标记

    本研究通过神经网络的自主学习，不依赖预先计算的变量和底层物理知识，实现了在物理领域中的喷注标记性能的相当结果，从而有望解决模型依赖性问题。

    Nov, 2023

  • 使用等变晶格神经网络提升流体动力学中的晶格动力方案

    我们提出了一种新的等变神经网络类，即栅格等变神经网络（LENNs），旨在满足栅格结构的局部对称性。

    May, 2024

  • 不变量和等变量的经典与量子图神经网络比较

    机器学习算法、图神经网络、量子计算、等变图神经网络和二元分类任务是本文的关键词和研究主题。

    Nov, 2023

  • 等变换器即所需

    通过引入对称等变性注意力机制，我们将其应用于自学习蒙特卡洛方法，并在二维格上的自旋 - 费米模型中观察到类似于大型语言模型的缩放率的接受率，并克服了线性模型的低接受率。

    Oct, 2023

  • CapsLorentzNet：将物理启发特征与图卷积相融合

    通过引入胶囊层与图神经网络的结构相容的新颖架构修改，本文进一步研究提升了现代机器学习技术中的目标标记方法。该胶囊层是一组具有向量激活的神经元，向量的方向表示所研究对象的重要特性，向量的大小表示所研究对象是否属于胶囊所代表的类别。此外，胶囊网络还融合了一种重构机制以便将自顶向下设计的高级特征方便地整合到分析中。本文使用 LorentzNet 结构进行夸克胶子标记的实验证明，通过将 LorentzNet 的解码模块替换为胶囊解码模块，新架构 CapsLorentzNet 可以提升夸克胶子标记任务的性能 20%。

    Mar, 2024

  • 拉格朗日神经网络

    本文提出了一种使用神经网络来参数化任意 Lagrangian 的 Lagrangian 神经网络（LNNs），该方法不需要标准坐标，因此可适用于标准动量未知或难以计算的情况，并且在各种任务中产生遵守能量守恒条件的模型，通过在双摆和相对论粒子上的测试表明，该方法可用于建模且不会损耗能量，还可以应用于图形和连续系统，并证明其用于一维波动方程。

    Mar, 2020