对称性、安全性与自监督
高能物理 - 唯象学
2023-12-11 v1
摘要
对撞机搜索面临着一个挑战：如何定义高维数据的表示，使得物理对称性得以显现、判别特征得以保留，且表示的选择对新物理不敏感。我们引入 JetCLR，通过自监督对比学习来解决从低层数据到优化可观测量的映射。作为示例，我们使用置换不变的 Transformer 编码器网络构建了顶喷注和 QCD 喷注的数据表示，并可视化其对称性属性。我们使用线性分类器测试将 JetCLR 表示与替代表示进行比较，发现其表现相当出色。
引用
@article{arxiv.2108.04253,
title = {Symmetries, Safety, and Self-Supervision},
author = {Barry M. Dillon and Gregor Kasieczka and Hans Olischlager and Tilman Plehn and Peter Sorrenson and Lorenz Vogel},
journal= {arXiv preprint arXiv:2108.04253},
year = {2023}
}