用于喷注判别的量子推理感知图对比学习
机器学习
2026-01-27 v7 高能物理 - 唯象学
摘要
在高能物理中，喷注标记在利用对撞机实验数据区分夸克喷注和胶子喷注方面发挥着关键作用。虽然基于图的深度学习方法已将此任务推进到传统特征工程方法之上，但复杂的数据结构和有限的标记样本仍构成持续挑战。更广泛地说，我们的主要关注点是开发一种在严格资源约束下运行的推理感知图对比学习框架；我们以夸克-胶子喷注判别作为代表性且实际相关的用例。然而，现有的对比学习(CL)框架难以有效利用推理感知增强，往往缺乏引导显著特征提取的监督信号，并且面临计算效率问题，如参数数量过多。在本研究中，我们证明将量子推理生成器(QRG)整合到我们提出的量子推理感知图对比学习(QRGCL)框架中，能够在参数受限的设置下实现竞争力的喷注判别性能，减少对标记数据的依赖，并捕获推理感知特征。在夸克-胶子喷注数据集上评估，QRGCL实现了77.5%的AUC分数，同时仅保持45个QRG参数的紧凑架构，与经典量子和混合基线相比达到了竞争力水平。这些结果凸显了QRGCL在推进喷注标记和高能物理中其他复杂分类任务的潜力，在这些任务中计算效率和特征提取的局限性持续存在。
引用
@article{arxiv.2411.01642,
title = {Quantum Rationale-Aware Graph Contrastive Learning for Jet Discrimination},
author = {Md Abrar Jahin and Md. Akmol Masud and M. F. Mridha and Nilanjan Dey and Zeyar Aung},
journal= {arXiv preprint arXiv:2411.01642},
year = {2026}
}