基于深度神经网络的喷注子结构分析中的部分子簇射不确定性

结合深度神经网络的机器学习方法已成为近期提出的强子共振子标记器新方案的主题。这些方法需要在由事件生成器产生的数据集上进行训练，其中真实的类标签是已知的。然而，在特定事件生成器上训练网络可能会使网络偏向于学习该生成器中所用 QCD 近似相关的特征，而这些特征在实际数据中并不存在。因此，我们利用来自 LHC 上强子 W 玻色子的喷注图像，研究了部分子簇射建模变化对深度神经网络标记器性能的影响，其中包括探测器相关效应。通过研究网络在 Pythia、Herwig 和 Sherpa 生成器样本上的性能，我们发现在固定信号效率下，背景排斥率差异高达百分之五十。我们还引入并研究了一种我们称之为 zooming 的方法，用于在基于神经网络的标记器中实现尺度不变性。我们发现这能在很宽的喷注横动量范围内带来性能提升。我们的结果强调了深入理解这些方法究竟利用了喷注物理哪些方面的重要性。