高能物理中基于切片 Wasserstein 距离的事件生成与一致性检验

在现代高能物理研究领域，越来越重视利用深度学习技术优化事件模拟，从而扩大统计样本量以实现更精确的物理分析。传统模拟方法在处理复杂物理过程和高维数据分布时常常面临挑战，导致性能缓慢。为克服这些局限，我们提出了一种基于深度学习、以切片 Wasserstein 距离为损失函数的解决方案。通过采用先进的 transformer 学习架构，我们从蒙特卡洛样本启动学习过程并生成高维数据。通过将切片 Wasserstein 距离与置换检验相结合，我们引入了一种新颖的、统计上严格且更灵敏的度量来评估分布差异，其在检测细微分布偏移方面显著优于其他度量，进一步验证了其在高能物理生成模型和高维一致性检验中精确评估的有效性。所生成的数据样本保留了有限训练样本的所有原始分布特征，这由它们以相同统计量级规模的测试样本量成功通过所有常见一致性检验所证明。该进展为改进高能物理研究中的事件模拟和高维一致性检验开辟了新可能。