JUNIPR：粒子物理中一种无监督机器学习框架

在机器学习应用于粒子物理时，一个持续的挑战是如何超越判别而去了解底层物理。为此，一个有力的工具将是一种无监督学习框架，其中机器在无需预先设定标签的情况下，学习其所训练数据的复杂高维轮廓。为了应对这一复杂任务，无监督网络必须基于对所数据的定性理解进行智能构建。在本文中，我们将神经网络的架构围绕数据底层物理的领头阶模型搭建。除了使无监督学习可行外，这一设计实际上缓解了性能与可解释性之间已有的张力。我们将该框架称为 JUNIPR：“源自无监督可解释概率模型的喷注（Jets from UNsupervised Interpretable PRobabilistic models）”。在此方法中，构成一个喷注的粒子动量集合被聚为一棵二叉树，神经网络依次考察该树。训练是无监督且无限制的：网络可能判定数据与所选树结构对应甚少。然而，当存在对应时，网络沿树的输出具有直接的物理诠释。JUNIPR 模型可通过统计最优似然比检验执行判别任务，并允许在喷注树的每个分支处可视化判别能力。此外，JUNIPR 模型提供一个概率分布，可从中抽取事件，从而提供一种数据驱动的蒙特卡洛生成器。作为第三种应用，JUNIPR 模型可将一个（例如模拟的）数据集中的事件重新加权，以与另一（例如实验的）数据集的分布相符。