SPANet：基于对称性保持注意力的粒子物理广义无排列集合分配
高能物理 - 实验
2022-07-26 v4 机器学习
高能物理 - 唯象学
摘要
在大型强子对撞机上产生不稳定的重粒子是解决物理学中一些最深层开放问题的最直接途径。碰撞通常产生可变大小的观测粒子集合，这些集合具有固有的模糊性，使观测粒子到重粒子衰变产物的分配复杂化。物理学界当前应对这些挑战的策略忽略了衰变产物的物理对称性，考虑所有可能的分配排列，且无法扩展到复杂构型。基于注意力的序列建模深度学习方法在自然语言处理中已达到最先进性能，但它们缺乏处理物理集合分配问题中独特对称性的内置机制。我们引入一种构建对称性保持注意力网络的新方法，其反映问题的自然不变性，从而在不评估所有排列的情况下高效寻找分配。该通用方法适用于任意复杂构型，并显著优于当前方法，在典型基准问题上将重建效率提升19%–35%，同时在最复杂事件上将推断时间减少二到五个数量级，使许多重要且先前难以处理的情况变得可行。包含通用库、所用具体配置及完整数据集发布的完整代码仓库见https://github.com/Alexanders101/SPANet
引用
@article{arxiv.2106.03898,
title = {SPANet: Generalized Permutationless Set Assignment for Particle Physics using Symmetry Preserving Attention},
author = {Alexander Shmakov and Michael James Fenton and Ta-Wei Ho and Shih-Chieh Hsu and Daniel Whiteson and Pierre Baldi},
journal= {arXiv preprint arXiv:2106.03898},
year = {2022}
}
备注
published in SciPost