将图神经网络重新送回测试台进行高能粒子物理应用的案例研究

Feb, 2024

将图神经网络重新送回测试台进行高能粒子物理应用的案例研究

A case study of sending graph neural networks back to the test bench for applications in high-energy particle physics

Emanuel Pfeffer, Michael Waßmer, Yee-Ying Cung, Roger Wolf, Ulrich Husemann

TL;DR高能粒子碰撞中，基本碰撞产物通常会进一步衰变，形成具有预先未知多样性的树状分层结构。本文描述了一个典型的图神经网络（GNN）与深度全连接前馈神经网络体系结构的基准测试，并以在 CERN 的大型强子对撞机上在由质子 - 质子碰撞产生的带有顶夸克 - 反夸克对的最终态 X 的分类为物理案例进行对比。

Abstract

In high-energy particle collisions, the primary collision products usually decay further resulting in tree-like, hierarchical structures with a priori unknown multiplicity. At the stable-particle level all decay products of a collision form permutation invariant sets of final state obj

high-energy particle collisions graph neural networks benchmark test deep fully-connected feed-forward architecture classification

发现论文，激发创造

粒子物理中的图神经网络

介绍了图神经网络在粒子物理学中应用的各种情况，并探讨了它在粒子物理学中的潜在应用。

Jul, 2020

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

利用深度神经网络进行高能物理中的喷注细分分类

本文使用深度神经网络进行图像分类，无需专家特征即可区分大型强子对撞机数据中的单一强子粒子喷注和多重粒子喷注，效果与现有分析方法相当或略优。

Mar, 2016

设计您自己的宇宙：一种增强图神经网络的物理知识无偏方法

通过在图结构数据中学习，物理启发图神经网络在解决常见图神经网络挑战（如平滑过度、压缩过度和异质适应）方面取得了显著的性能。本文通过在传播过程中引入额外的节点和重新连接具有正负权重的连接来丰富图结构，在理论上验证了通过我们的方法增强的图神经网络可以有效地解决平滑过度问题，并对压缩过度具有鲁棒性。此外，我们对重连后的图进行谱分析，证明相应的图神经网络可以适应同质化和异质化的图。在同质化、异质化图以及长期图数据集的基准验证中，我们通过我们的方法增强的图神经网络显著优于原始版本。

Jan, 2024

高能物理数据上的量子启发式机器学习

本文介绍如何应用张量网络作为量子启发机器学习技术，有效地分类来自 CERN 的大型强子对撞机数据，特别是分类所谓的 b - 喷注，并解释分类结果。同时，还认为张量网络在学习过程中根据所获取到的信息选择重要的特征并调整网络结构，在不需要重复学习过程的情况下实现精密分类或快速响应。这些结果为实现高频率实时应用奠定了基础，这是目前和未来 LHCb 事件分类的关键之一，能够触发每秒数千万个事件。

Apr, 2020

可解释的机器学习在高能粒子碰撞中的物理基础研究

我们提出了一种可解释的、物理感知的机器学习模型的实现，能够推断高能粒子碰撞的基础物理，利用最终状态粒子的能量 - 动量四矢量中的信息。我们使用生成对抗网络（GAN）的概念证明了我们的白盒人工智能方法，该方法学习自 DGLAP 型发射子阶级蒙特卡洛事例发生器。我们首次展示了我们的方法不仅能学习粒子的最终分布，还能学习阶级分支机制 —— 即 Altarelli-Parisi 分裂函数、阶级的序列变量和缩放行为。虽然当前工作集中在发射子阶级的扰动物理学上，但我们预见到我们的框架在目前难以从 QCD 的第一原则解决的领域中具有广泛的应用，如非微扰和集体效应、分解破坏和重离子和电子 - 核碰撞中的发射子阶级修改。

Dec, 2020

基于图神经网络的预测颗粒破碎强度的混合框架

通过使用图神经网络（Graph Neural Networks）来建模颗粒破碎中的颗粒片段之间的连接性，本研究生成了一个大规模的数据集，以促进颗粒破碎的机器学习研究，并通过一个基于图神经网络的混合框架来预测颗粒破碎强度，最后通过与传统机器学习方法和传统 MLP 进行对比验证其有效性。

Jul, 2023

基于 GNN 和 CKF 的组合轨道发现

应用图神经网络（GNN）在轨道重建中，结合经典组合卡尔曼滤波（CKF）算法，有效解决内外区域的 3D 测量数据差异，提高高能物理粒子探测器在高亮升级大型强子对撞机（HL-LHC）上的轨道重建性能。

Jan, 2024

超轨迹：高能物理的神经组合学

该研究提出了一种新颖的深度学习驱动聚类算法，采用了时空非局部可训练图构造器、图神经网络和集合转换器，通过粒子跟踪模拟展示了这一前沿人工智能方法的有效性。

Sep, 2023

NuGraph2：中微子物理事件重建的图神经网络

利用液体氩时间投影室（LArTPC）探测器技术进行粒子重建是本文描述的主要技术，使用了基于图神经网络（Graph Neural Network，GNN）的 NuGraph2 算法对模拟中微子相互作用进行低级重建，同时提供了高效的背景过滤和语义标记方法，旨在用于中微子物理学中的粒子重建。

Mar, 2024