JetLOV：通过神经网络学习最优 LundNet 变量增强喷注树标记
高能物理 - 唯象学
2023-11-27 v1 机器学习
摘要
机器学习在推动物理学发展方面发挥了关键作用，其中深度学习显著贡献于解决复杂分类问题，如喷注物理领域的喷注标记。在本实验中，我们旨在充分利用神经网络的潜力，同时承认我们有时可能忽视这些模型背后的底层物理。尽管如此，我们证明可以在遮蔽物理知识并完全依赖模型输出的前提下取得卓越结果。我们引入 JetLOV，一种由简单多层感知机（MLP）和成熟的 LundNet 组成的复合模型。我们的研究表明，不依赖预计算的 LundNet 变量也能达到相当的喷注标记性能。相反，我们让网络自主地学习一整套全新变量，且无关于底层物理的先验知识。这些发现大有前景，特别是在解决模型依赖问题上，该问题可通过泛化及在多样数据集上训练得到缓解。
引用
@article{arxiv.2311.14654,
title = {JetLOV: Enhancing Jet Tree Tagging through Neural Network Learning of Optimal LundNet Variables},
author = {Mauricio A. Diaz and Giorgio Cerro and Jacan Chaplais and Srinandan Dasmahapatra and Stefano Moretti},
journal= {arXiv preprint arXiv:2311.14654},
year = {2023}
}
备注
Accepted at the NeurIPS 2023 workshop: Machine Learning and the Physical Sciences