SEAL - 面向高能物理的对称鼓励损失
高能物理 - 唯象学
2025-11-05 v1 机器学习
高能物理 - 实验
摘要
物理对称性为构建用于分析数据的函数提供了强大的归纳偏置。特别是，这种偏置可能提高对鲁棒性、数据效率以及机器学习模型的可解释性的帮助。然而，构建显式遵循对称性的机器学习模型可能困难，因为需要专门的组件。此外，现实世界的实验可能并非在有限的粒度和能量阈值水平上完全遵循基本对称性。在本工作中，我们探讨了一种替代方法来创建对称感知的机器学习模型。我们引入软约束，允许模型在学习过程中自主决定所添加对称性的重要性，而不是强制执行精确对称性。我们研究了两种互补的方法：一种是基于对输入进行特定变换的惩罚，另一种则灵感来自群论及输入的微小变换。我们以顶枢量子喷流标记和Lorentz等价性为例，观察到软约束的添加导致更鲁棒的性能，而对当前SOTA模型的修改可以忽略不计。
引用
@article{arxiv.2511.01982,
title = {SEAL - A Symmetry EncourAging Loss for High Energy Physics},
author = {Pradyun Hebbar and Thandikire Madula and Vinicius Mikuni and Benjamin Nachman and Nadav Outmezguine and Inbar Savoray},
journal= {arXiv preprint arXiv:2511.01982},
year = {2025}
}