面向喷注子结构的机器学习分析
高能物理 - 唯象学
2020-10-01 v2
摘要
过去几年中，机器学习算法得到了快速发展。尽管这些复杂工具无疑提升了性能，但它们通常被视为黑盒，可能损害我们对所研究物理过程的理解。本文旨在迈出第一步，将粒子物理中的专家知识应用于计算最优决策函数，并测试标准训练是否能达到该函数，从而使上述黑盒更加透明。具体而言，我们考虑了区分夸克引发的喷注与胶子引发的喷注的二元分类问题。我们构造了广泛使用的 N-subjettiness 的新版本，其理论行为比原始版本更简单，同时保持甚至超越了判别能力。我们将这些新观测量输入到最简单的神经网络，即由单个神经元或感知机组成的网络中，并在首阶对数精度下解析地研究了网络行为。我们能够确定感知机在何种情况下达到最优性能。我们还将解析结果与感知机的实际实现以及更真实的神经网络进行了比较，发现非常吻合。
引用
@article{arxiv.2007.04319,
title = {Towards Machine Learning Analytics for Jet Substructure},
author = {Gregor Kasieczka and Simone Marzani and Gregory Soyez and Giovanni Stagnitto},
journal= {arXiv preprint arXiv:2007.04319},
year = {2020}
}
备注
32 pages, 9 figures; v2 brings extra clarifications, as accepted by JHEP