Oct, 2023

可微分的顶点拟合用于喷注味道标记

HTML
PDF
TL;DR我们提出一种可用于次级顶点拟合的可微顶点拟合算法，并能够无缝集成到神经网络中进行喷注风味标记。这种算法将顶点拟合问题表述为优化问题，通过隐式微分定义优化解的梯度，并可传递给上游或下游的神经网络组件进行网络训练。更广泛地说，这是将物理知识集成到高能物理领域的神经网络模型中的可微编程应用。我们演示了如何将可微次级顶点拟合集成到基于Transformer的更大模型中，以改善重味喷注分类。
发现论文，激发创造
  • ParticleNet：基于粒子云的喷注标记

    本文提出了一种有效地将喷流表示为其组成粒子的无序集合的新方法“ParticleNet”，该方法可以显式地支持置换对称性，使用这种方法，在两个代表性的喷流标记基准测试中，ParticleNet的性能达到了最先进水平并显著优于现有方法。

    Feb, 2019

  • 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

  • 粒子变换器用于喷注标记

    本研究提出 JetClass 数据集，包含 100 M 个不同类型的喷注，建立了一套新的 Particle Transformer (ParT) 体系用于进行深度学习中的粒子识别，结果表明 ParT 优于已有研究的 ParticleNet 累积误差。

    Feb, 2022

  • 使用对抗训练改进喷注标记算法的鲁棒性: 探索损失表面

    深度学习算法在高能物理学领域中越来越受到重视，特别是针对飞行物理观测中标签识别任务的，研究者们正致力于提高模型的稳健性并针对异常数据提出对抗性训练策略以提高模型的鲁棒性。

    Mar, 2023

  • 通过特征重要性检索具有提升不变性的符号观测量

    利用 Boost 不变多项式进行高能物理中喷注标记的低维分类及物理相关观测量的分析。

    Jun, 2023

  • PCN：利用新颖图构造方法和Chebyshev图卷积实现喷注标记的深度学习方法

    该研究提出了使用基于图的表示方法来对喷注进行编码，通过设计粒子切比雪夫网络（PCN），利用切比雪夫图卷积（ChebConv）来学习此表示方法，PCN在粒子喷注标记中取得了显著的准确率改善，为将来在高能物理实验中探索基于图的喷注表示和ChebConv层开辟了新的研究方向。

    Sep, 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

  • 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

  • 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

  • 粒子多轴变压器用于喷射标记

    我们提出了一个新架构的想法，Particle Multi-Axis transformer (ParMAT)，它是Particle transformer (ParT)的改进版本，通过在单个单元内包含局部和全局空间交互，提高处理各种输入长度的能力，为了实现对大规模数据集的可扩展性和自动提取关键特征的能力，我们在JETCLASS数据集上训练了模型，并通过集成平行注意机制和注意机制中的粒子成对交互，ParMAT相对于ParT和ParticleNet表现出更好的稳健性和准确性。

    Jun, 2024