PASCL：基于微扰增强的监督对比学习用于粒子衰变重建
高能物理 - 唯象学
2024-11-22 v1 机器学习
摘要
在高能物理中，碰撞事件中产生的粒子以层次树结构的形式衰变，只有最终的衰变产物可以通过探测器观测到。然而，可能的树结构组合空间巨大，使得从一组最终粒子中恢复实际衰变过程具有挑战性。为了更好地分析层次树结构，我们提出了一种基于图的深度学习模型来推断树结构以重建碰撞事件。特别地，我们使用一种称为最低共同祖先代数（LCAG）矩阵的紧凑矩阵表示来编码粒子衰变树结构。然后，我们引入了一种应用于节点特征的微扰增强技术，旨在模拟实验不确定性并增加数据多样性。我们进一步提出了一种监督图对比学习算法，以利用来自多个衰变过程的粒子间关系信息。大量实验表明，我们提出的带有微扰增强的监督图对比学习（PASCL）方法在现有的基于物理的数据集上优于最先进的基线模型，显著提高了重建精度。该方法为具有相同参数的模型提供了更有效的训练策略，并为更准确、高效的高能粒子物理数据分析铺平了道路。
引用
@article{arxiv.2402.11538,
title = {PASCL: Supervised Contrastive Learning with Perturbative Augmentation for Particle Decay Reconstruction},
author = {Junjian Lu and Siwei Liu and Dmitrii Kobylianski and Etienne Dreyer and Eilam Gross and Shangsong Liang},
journal= {arXiv preprint arXiv:2402.11538},
year = {2024}
}