基于两点能量关联与软发射几何的神经网络顶夸克标记器
高能物理 - 唯象学
2020-08-20 v2 高能物理 - 实验
摘要
在喷注图像上训练的深度神经网络已成功用于分类不同类型的喷注。在本文中，我们识别出能够复现卷积神经网络在顶喷注与 QCD 喷注分类中性能的关键物理特征。我们设计了一个考虑两类子结构特征的神经网络：两点能量关联，以及对喷注图像进行形态学分析的 IRC 不安全计数变量。这组新的 IRC 不安全变量可由积分几何中的 Minkowski 泛函描述。为将这些特征整合到单一框架中，我们以图神经网络形式重新引入两点能量关联，并将其他特征随后提供给该网络。该网络展现出与卷积神经网络相当的分类性能。由于两个网络都在某种程度上使用了 IRC 不安全特征，基于模拟的结果往往依赖于事件生成器的选择。我们比较了 Pythia 8 与 Herwig 7 的分类结果，并对 IRC 不安全特征分布进行简单重加权可减小两种模拟结果之间的差异。
引用
@article{arxiv.2003.11787,
title = {Neural Network-based Top Tagger with Two-Point Energy Correlations and Geometry of Soft Emissions},
author = {Amit Chakraborty and Sung Hak Lim and Mihoko M. Nojiri and Michihisa Takeuchi},
journal= {arXiv preprint arXiv:2003.11787},
year = {2020}
}
备注
43 pages, 25 figures, published in JHEP