解析极端喷注子结构

我们研究了在具有大量硬子喷注（多达 $N=8$）的喷注极端情形下，由理论驱动的高层喷注观测量的有效性。先前的研究表明，对于 $N\le 3$ 个硬子喷注，高层观测量是探测喷注子结构的有力且可解释的工具，但在低层喷注组分上训练的深层神经网络与其性能相当或略优。我们将该工作扩展到多达 $N=8$ 个硬子喷注，使用深度粒子流网络（PFNs）和基于 Transformer 的网络来估计分类性能的一个宽松上界。一个在标准高层喷注观测量集合（135 个 $\textrm{N}$-subjetiness 观测量与喷注质量）上运行的全连接神经网络达到了 86.90% 的分类准确率，但落后于 PFN 与 Transformer 模型，后两者分别达到 89.19% 与 91.27% 的分类准确率，表明组分网络利用了该高层观测量集合未捕获的信息。我们随后确定了能够缩小此差距的额外高层观测量，并利用 LASSO 正则化进行特征选择以识别并排序最相关的观测量，从而深入洞察基于组分的神经网络所采用的学习策略。最终模型仅包含 31 个高层观测量，能够匹配 PFN 的性能，并将与 Transformer 模型的性能差距缩小到 2% 以内。