利用神经网络在高层特征上重加权与分析事件生成器系统误差

最先进的深度学习（DL）模型用于喷流分类，直接使用喷流组分信息，极大地提升了性能。这引起了人们对可解释性的关注，即可解释性，即决策过程、对分类有贡献的相关性，以及表示信号与背景差异的高层特征（HLFs）。我们使用一种称为分析模型（AM）的模块化架构来解决可解释性问题，该架构将多个有动机的HLFs作为输入。我们聚焦于ParT（Particle Transformer）——一个最佳分类器——在顶夸克与QCD分类中的事件生成器系统误差。以常用的事件生成器Pythia（PY）和Herwig（HW）为例，我们证明AM生成器分类器估计的事件权重将HW分类得分分布对齐到PY的QCD喷流得分分布，且训练不确定性较小。这表明AM仅用相对较少的可观测量即可充分描述模拟的QCD喷流特征，通过数据对模拟进行重加权也可以减少生成器系统误差。另一方面，类QCD的顶夸克喷流需要较大的事件权重，这导致AM和ParT生成器分类器的重加权均不完善。此外，AM的HLFs不足以描述PY和HW之间的差异，导致重加权精度低于ParT。缺失的特征是聚束的高能喷流组分之间的相关性，这些组分与用于顶夸克与QCD分类的能量流多项式（EFPs）强烈相关，展示了AM的HLFs与所选EFPs之间的互补性。