夸克喷注与胶子喷注之辨：基于高层特征的全连接神经网络

喷注识别是高能物理中机器学习已开始产生影响的领域之一。通常，卷积神经网络被用于分类喷注图像，其优点在于基本不需要物理输入。受 Datta 和 Larkoski 近期工作的启发，我们基于全连接神经网络（FNN）研究夸克/胶子引发喷注的分类，其中输入为专家设计的物理变量。FNN 以两种方式应用：在不同窄喷注横向动量 $p_{TJ}$ 区间分别训练；在 $p_{TJ} \in [200,~1000]$ GeV 的宽区间上训练。我们发现两者性能几乎相同。当 $p_{TJ}$ 较大时性能更好。在粒子层面和探测器层面数据上均研究了基于 FNN 的喷注判别。基于粒子层面数据的结果与深度卷积神经网络的结果相当，而探测器层面数据的显著性提升特征（SIC）至多下降 $15\%$。我们还测试了以喷注观测量的全集或子集作为输入的 FNN 性能。由十四个观测量构成的子集所对应的 FNN 几乎无性能退化。这表明这十四个专家设计的观测量可能已捕获了区分夸克与胶子喷注所需的最关键信息。