从矩阵元素似然对称性中得到的最优等距网络架构

矩阵元素方法 (MEM) 长期以来是高能物理数据分析的基石。它利用对 parton-level processes 和对称性的理论知识来评估观察事件的似然概率。与此同时，几何深度学习的兴起使得能够将已知对称性直接嵌入网络设计的神经网络架构得以实现，从而实现更高效的学习。本文提出了一种新方法，将 MEM 启发的对称性考虑与等距神经网络设计相结合，用于粒子物理分析。尽管洛伦兹不变性和整体重构对象的置换不变性是输入域中最大且最自然的对称性，但我们发现它们在大多数实际搜索情境中并非次优解。我们提出了一种保留相关离散对称性的纵向 boost 等距 message-passing 神经网络架构。我们 presented numerical studies demonstrating MEM 启发的架构在区分四个 b quark 的 di-Higgs 衰变与 QCD 背景时实现了新的 SOTA 性能，显著提升了样本和参数效率。这种 MEM 与等距深度学习的协同为物理知识驱动的架构设计开输了新的方向，为探寻标准模型之外的物理提供了更强大的工具。