能量加权消息传递：一种红外与共线安全的图神经网络算法
高能物理 - 唯象学
2022-02-11 v2
摘要
大型强子对撞机上新物理起源的强子信号可能隐藏在大量产生的强子喷注中。揭示此类特征需要高性能的深度学习算法。我们在消息传递形式下构造了一类图神经网络（GNN），使网络输出具有红外与共线（IRC）安全性，这是微扰 QCD 计算中所满足的一项重要准则。将网络输出的 IRC 安全性作为 GNN 构造中的一项要求，可提升其对数据中理论不确定性的可解释性与鲁棒性。我们推广了能量流网络（EFN）——一种点云上的 IRC 安全深度学习算法，定义了 GNN 上的能量加权局部与全局读出。将此类最简单网络应用于识别顶夸克、W 玻色子以及夸克/胶子喷注，我们发现其优于最先进的 EFN。此外，我们获得了一类图构造算法的普遍形式，其在 IRC 极限下给出结构不变的图，这是 GNN 输出 IRC 安全性的必要条件。
引用
@article{arxiv.2109.14636,
title = {Energy-weighted Message Passing: an infra-red and collinear safe graph neural network algorithm},
author = {Partha Konar and Vishal S. Ngairangbam and Michael Spannowsky},
journal= {arXiv preprint arXiv:2109.14636},
year = {2022}
}
备注
Added discussion of output stability for deeper network. Updated references and corrected typos. Accepted version in JHEP