关注物理相互作用强度：用于粒子物理实验的 Transformer 与图事件分类

粒子物理中的一项主要任务是测量稀有信号过程。在固定信号效率下，即使是对背景抑制的适度改进，也能显著提高测量灵敏度。基于前人将物理对称性融入神经网络的研究，本工作将这些思想扩展到包含更多受物理启发的特征。具体来说，我们将从领头阶标准模型预测中导出的能量依赖的粒子相互作用强度引入到现代深度学习架构中，包括 Transformer 架构（Particle Transformer）和图神经网络（Particle Net）。这些以 SM 相互作用矩阵表示的相互作用强度被整合到注意力矩阵（Transformer）和边（图）中。我们在事件分类中的结果表明，集成所有受物理启发的特征后，背景抑制能力比基线模型提高了 $10\%-40\%$，而由于 SM 相互作用矩阵，还获得了高达 $9\%$ 的额外增益。这项研究还提供了迄今为止最广泛的事件分类器比较之一，展示了各种架构在此任务上的表现。简化的统计分析表明，与图网络基线相比，这些增强的架构在信号显著性方面产生了显著提升。