洛伦兹对称设计能否提升喷注物理中的网络性能?

在深度学习时代,提升喷注物理中的神经网络性能是一项有价值的工作,因为它直接有助于 LHC 上更精确的物理测量。近期研究提出了多种考虑完整洛伦兹对称的网络设计,但其益处仍未被系统证实,鉴于仍存在许多未考虑该对称却成功的网络。我们对洛伦兹对称设计进行了详细研究。我们提出了两种修改网络的通用方法——这些方法在 Particle Flow Network、ParticleNet 和 LorentzNet 上进行了实验,并展现出普遍的性能提升。我们还揭示,网络中归因于“两两质量”特征的显著改进,是由于其引入了完全符合洛伦兹对称的结构。我们确认洛伦兹对称性保持作为喷注物理的一种强归纳偏置,从而呼吁在未来网络设计中关注此类通用方法。