多喷注过程的振幅代理模型
高能物理 - 唯象学
2025-12-16 v1
摘要
精确且高效的振幅预测对于 LHC 上多喷注过程的精确研究至关重要。我们提出了一种新型神经网络架构，通过利用 Catani-Seymour 因子化方案及相关低阶喷注振幅来预测多喷注振幅，要求网络仅学习一个修正因子。这种混合方法将理论因子化与数据驱动的假设相结合，实现了快速且可扩展的振幅预测。我们的网络还能估计每次预测的精度，从而允许我们选择性使用满足预设精度阈值的结果。在领头阶事件生成的背景下，该方法实现了高达 20 倍的速度提升，同时将所有可观测量保持在百分之一的精度水平。
引用
@article{arxiv.2512.11036,
title = {Amplitude Surrogates for Multi-Jet Processes},
author = {Luca Beccatini and Fabio Maltoni and Olivier Mattelaer and Ramon Winterhalder},
journal= {arXiv preprint arXiv:2512.11036},
year = {2025}
}