将粒子味整合到强子化的深度学习模型中
高能物理 - 唯象学
2023-12-15 v1 高能物理 - 实验
数据分析、统计与概率
摘要
事件发生器中使用的强子化模型是受物理启发的函数，具有许多可调参数。由于我们尚未从第一性原理理解强子化，因此提出了多种利用基于神经网络的更灵活参数化来提高强子化模型准确性的方案。这些最近的提案主要集中在强子的运动学性质上，但一个完整的模型还必须包含粒子味。在本文中，我们展示了如何构建一个包含运动学（连续）和味（离散）自由度的基于深度学习的强子化模型。我们的方法基于生成对抗网络（Generative Adversarial Networks），并展示了其在 Herwig 事件发生器的团簇强子化模型背景下的性能。
引用
@article{arxiv.2312.08453,
title = {Integrating Particle Flavor into Deep Learning Models for Hadronization},
author = {Jay Chan and Xiangyang Ju and Adam Kania and Benjamin Nachman and Vishnu Sangli and Andrzej Siodmok},
journal= {arXiv preprint arXiv:2312.08453},
year = {2023}
}
备注
9 pages, 4 figures