在BESIII学习粲重子物理的可迁移事件表示

深度学习已成为高能物理中必不可少的工具，学习可迁移事件表示的能力可以显著提高模型在相关物理过程中的泛化能力。在这项工作中，我们提出了一个基于粒子Transformer的框架，用于在BESIII实验中学习粲重子物理的此类表示。该框架通过在大规模蒙特卡罗模拟样本上进行预训练，然后针对下游分析进行微调来实现。以粲重子 $\Lambda_c^+$ 的产生和衰变为基准，我们开发了用于事件分类和动量方向回归的预训练模型。分类模型学习了主要物理类别的判别性事件表示，在90.0%的信号效率下拒绝了97.0%的本底事件。在12个基准 $\Lambda_c^+$ 衰变道中，从预训练模型微调的性能与从头训练相当或更好，在低统计量区域尤其明显改善。对于回归任务，预训练模型在相同的基准道上改善了动量方向预测。在代表性半轻子衰变 $\Lambda_c^+ \to p K^- e^+ \nu_e$ 上进行微调后获得了进一步改进。该策略为BESIII的各种物理案例提供了可扩展的解决方案，并可扩展到其他高能实验。