面向粒子物理的可解释等变神经网络：PELICAN

PELICAN 是一种新颖的置换等变且洛伦兹不变或协变聚合网络，旨在克服应用于粒子物理问题的架构中常见的局限。许多方法使用忽视底层物理原理且需要极大量参数的非专用架构，与之相比，PELICAN 采用基于对称群的基础架构，在降低复杂度、提升可解释性与原始性能方面展现出优势。我们针对标记（分类）与重建（回归）洛伦兹增强顶夸克这一背景对 PELICAN 算法架构进行全面研究，包括在特定识别并测量洛伦兹增强顶夸克强子末态致密环境中的 $W$ 玻色子这一困难任务。我们还将 PELICAN 的应用扩展至鉴别夸克引发与胶子引发喷流，以及跨五类独立目标喷流的多类识别。在标准洛伦兹增强顶夸克标记任务上测试时，PELICAN 以更低模型复杂度与高样本效率优于现有竞争者。在较少见且更复杂的 4-动量回归任务上，PELICAN 同样优于手工设计的非机器学习算法。我们讨论了对称受限架构对更广物理机器学习领域的意义。