PCN：一种利用新颖图构建方法与切比雪夫图卷积的喷注标记深度学习方案
高能物理 - 唯象学
2024-06-14 v5 机器学习
高能物理 - 实验
摘要
喷注标记是高能物理实验中的一类分类问题，旨在识别粒子碰撞产生的准直亚原子粒子喷流（jet），并将其标记到对应的发射粒子。喷注标记的进展为超出标准模型的新物理搜寻提供了机会。当前方法使用深度学习来揭示复杂碰撞数据中的隐藏模式。然而，将喷注表示为深度学习模型输入的方式多种多样，且模型常未能利用具信息量的特征。在本研究中，我们提出一种尽可能编码最多信息的喷注图表示。为从该表示中学习，我们设计了 Particle Chebyshev Network（PCN），一种使用切比雪夫图卷积（ChebConv）的图神经网络（GNN）。ChebConv 已被证明是 GNN 中经典图卷积的有效替代，尚未在喷注标记中被探索。PCN 在准确率上较现有标记器获得显著提升，并为未来在高能物理实验中研究基于图的喷注表示与 ChebConv 层打开大门。代码见 https://github.com/YVSemlani/PCN-Jet-Tagging。
引用
@article{arxiv.2309.08630,
title = {PCN: A Deep Learning Approach to Jet Tagging Utilizing Novel Graph Construction Methods and Chebyshev Graph Convolutions},
author = {Yash Semlani and Mihir Relan and Krithik Ramesh},
journal= {arXiv preprint arXiv:2309.08630},
year = {2024}
}
备注
16 pages, 2 figures, and 7 tables