可学习的切割流程用于高能物理

神经网络已成为高能物理任务中强大的范畴，但其不透明的训练过程使其沦为黑盒。相比之下，传统的切割流程方法具有简单性和可解释性，但需要 extensive 手动调谐以识别最佳切割边界。为融合两种方法的优势，我们提出了可学习的切割流程 (Learnable Cut Flow, LCF)，一种将传统切割选择转化为完全可微分、数据驱动过程的神经网络。LCF 实现了两种切割策略——并行策略（将可观测分布独立处理）和顺序策略（先前的切割影响后续切割）以灵活确定最佳边界。基于此策略，我们引入可学习的重要性 (Learnable Importance)，该指标量化特征重要性并根据其对损失函数的贡献进行调整，提供与 ad-hoc 指标不同的模型驱动洞察。为确保可微分性，修改后的损失函数用掩码操作替换硬切割，保留数据形状 throughout 训练过程。我们在六个不同模拟数据集和一个真实的 diboson 与 QCD 数据集上测试了 LCF。结果表明，LCF 1. 在并行和顺序策略中准确学习典型特征分布中的切割边界，2. 为判别特征（尤其是重叠最小的特征）分配更高重要性，3. 对冗余或相关特征具有鲁棒性，4. 在真实场景中效果良好。在 diboson 数据集中，使用所有可观测量时，LCF 初始时表现不如提升决策树和多层感知器。LCF 在传统切割流程方法与现代黑箱神经网络之间搭建了桥梁，为训练过程和特征重要性提供可操作的洞察。源代码和实验数据可在 https://github.com/Star9daisy/learnable-cut-flow 获取。