Parton 密度理论的可解释人工智能分类
高能物理 - 唯象学
2024-07-08 v1
摘要
将 parton 分布函数 (PDF，或 parton 密度) 的性质量量地连接到产生它们的 QCD 分析所做出的理论假设，这一问题在 HEP 现象学中长期存在。为应对这一挑战，我们引入一种基于机器学习的可解释性框架 ，用于使用类 ResNet 神经网络 (NN) 对 PDF 按 Parton 味道或底层理论模型进行分类。通过利用 ResNet 模型的可微特性，这种方法部署 guided backpropagation 来剖析拟合 PDF 中相关特征，识别对 ML 模型分类至关重要的 x 依赖特征。通过应用我们的框架，我们能够按照产生它们的分析对 PDF 进行排序，同时构建定量、人类可读的地图，标明每个分析中最受内部理论假设影响的 x 区域。该技术扩展了可用于 PDF 分析及相邻粒子现象学的工具箱，指向了有前景的推广方向。
引用
@article{arxiv.2407.03411,
title = {Explainable AI classification for parton density theory},
author = {Brandon Kriesten and Jonathan Gomprecht and T. J. Hobbs},
journal= {arXiv preprint arXiv:2407.03411},
year = {2024}
}
备注
25 pages, 6 figures, 1 table; for link to associated public code, see https://github.com/ML4HEP-Theory/XAI4PDF