安全但不可计算：能量加权并非万能
高能物理 - 唯象学
2024-09-23 v2 高能物理 - 实验
摘要
红外与共线（IRC）安全性长期以来被用作开发新喷注子结构观测量时鲁棒性的代用指标。这一指导哲学已带入深度学习时代，其中 IRC 安全神经网络已被用于许多喷注研究。对于基于图的神经网络，实现 IRC 安全最直接的方式是按粒子能量对其输入加权。然而，能量加权本身并不能保证机器学习观测量的微扰计算会享有小的非微扰修正。在本文中，我们通过训练一个能量流网络（EFN）以最大化其对强子化的敏感性，展示了 IRC 安全网络对非微扰效应的敏感性。然后我们展示如何构造 Lipschitz 能量流网络（L-EFN），它们既 IRC 安全又相对不敏感于非微扰修正。我们在生成的夸克与胶子喷注样本上展示了 L-EFN 的性能，并展示了 EFN 与 L-EFN 学习到的潜在表示之间引人入胜的差异。
引用
@article{arxiv.2311.07652,
title = {Safe but Incalculable: Energy-weighting is not all you need},
author = {Samuel Bright-Thonney and Benjamin Nachman and Jesse Thaler},
journal= {arXiv preprint arXiv:2311.07652},
year = {2024}
}
备注
11 pages, 7 figures. v2: Added short appendix on quark/gluon discrimination with L-EFNs