Streamlined jet tagging network assisted by jet prong structure
提出基于MLP mixer和子喷注信息交叉注意力的新型喷注分类网络，在保持与先进模型相当性能的同时大幅提升计算效率，并通过可解释方法验证其有效性。
2024-06-03 hep-ph
Lund jet plane for Higgs tagging
我们使用Lund喷气飞机研究了增强的Higgs标记。卷积神经网络用于隆德图像数据集的强子衰变的Higgs从QCD背景分类。我们认为$H\to b \bar{b}$和$H \to gg$衰变为中等和高希格斯横向动量和比较的性能与切割为基础的方法，使用喷色环观察。使用Lund平面图像的方法为所有情况提供了良好的标记效率。
2022-01-17 hep-ph
An Efficient Lorentz Equivariant Graph Neural Network for Jet Tagging
深度学习方法越来越多地被用于研究粒子物理学中的喷流。由于在许多应用中，保持对称性的行为已被证明是提高深度学习性能的重要因素，洛伦兹群等方差-基本粒子的基本时空对称性-最近已被纳入用于喷流标记的深度学习模型中。然而，由于高阶张量的解析构造，该设计在计算上是昂贵的。在这篇文章中，我们介绍了LorentzNet，这是一种新的用于喷气机标记的保留冗余的深度学习模型。LorentzNet的消息传递依赖于有效的Minkowski点积注意力。两个有代表性的射流标记基准的实验表明，LorentzNet实现了最佳的标记性能，并显着提高了现有的最先进的算法。Lorentz对称性的保持也大大提高了模型的效率和泛化能力，使LorentzNet在仅数千架飞机上训练时就能达到极具竞争力的性能。代码和型号可在\url{https://github.com/sdogsq/LorentzNet-release}上找到。
2022-11-08 hep-ex hep-ph
Hierarchical High-Point Energy Flow Network for Jet Tagging
本研究利用能量流多项式的分层IRC安全结构，将非线性神经网络嵌入喷流子结构可观测量基，提出分层及局部分层能量流网络；两种架构仅用粒子运动学信息，便在顶夸克标记和夸克胶子区分任务中取得优异判别性能。
2023-08-16 hep-ex hep-ph
Differentiable Vertex Fitting for Jet Flavour Tagging
SLAC National Accelerator Laboratory（SLAC国家加速器实验室）；Laboratory of Instrumentation and Experimental Particle Physics（仪器与实验粒子物理实验室）
提出一种可微顶点拟合算法，通过隐式微分计算梯度并集成到基于transformer的神经网络中，有效提升了高能物理中喷注味标记的重味喷注分类性能。
2023-10-19 cs.LG hep-ex hep-ph
Performance versus Resilience in Modern Quark-Gluon Tagging
在许多方面，区分类夸克喷流和类胶子喷流是许多LHC分析的关键挑战。首先，我们使用Pythia和Herwig模拟中的已知差异来展示当最显著的特征与理论不确定性对齐时，去相关标记器将如何崩溃。我们提出了内插样本的条件训练，结合受控贝叶斯网络，作为一个更具弹性的框架。插值参数可用于优化在校准数据集上评估的训练，并测试该优化的稳定性。在模拟训练网络时，插值训练也可能有助于跟踪泛化错误。
2022-12-20 hep-ph
Amplitude-assisted tagging of longitudinally polarised bosons using wide neural networks
本文提出结合实验运动学信息与微扰振幅理论输入的宽神经网络方法，用于逐事件标记 LHC 中的纵向极化玻色子，并在 Z+喷注过程中验证其可可靠提取纵向贡献。
2023-08-30 hep-ex hep-ph
Boosted top quark tagging and polarization measurement using machine learning
机器学习技术用于将喷流视为图像，以探索增强顶夸克标记的性能。采用基于卷积神经网络（CNN）和提升决策树（BDT）的技术，研究了顶夸克衰变的强子和轻子通道中的标记性能。这种计算机视觉方法也被应用于区分左和右极化顶夸克。在这种情况下，实验上可测量的不对称变量，提出了估计的偏振。结果表明，基于CNN的分类器是更敏感的顶夸克极化比标准的运动学变量。结果表明，轻子通道的整体标记性能优于强子通道，轻子通道也是研究极化的较好探针。
2022-02-21 hep-ph
Jet Constituents for Deep Neural Network Based Top Quark Tagging
The University of British Columbia（不列颠哥伦比亚大学）
最近关于标记由顶夸克衰变产生的高能喷流的深度神经网络的文献集中在基于图像的技术或使用高级喷流子结构变量的多变量方法上。在这里，这个任务的顺序方法是通过使用一个有序的序列的射流成分作为训练输入。与大多数以前的方法不同，这种策略不会导致在像素化或高级特征计算期间的信息丢失。射流分类方法实现了背景拒绝45在50%的效率工作点重建水平射流的横向动量范围为600至2500 GeV，是不敏感的多个质子-质子相互作用的水平，预计在整个运行2的大型强子对撞机。
2017-08-09 cs.LG hep-ex hep-ph
JetLOV: Enhancing Jet Tree Tagging through Neural Network Learning of Optimal LundNet Variables
University of Southampton（南安普顿大学）；Uppsala University（乌普萨拉大学）
提出JetLOV复合模型，通过神经网络自主替代预计算的LundNet变量，在无先验物理知识下实现相当的喷注标记性能，为缓解模型依赖问题提供新途径。
2023-11-24 cs.LG hep-ph
Energy flow polynomials: A complete linear basis for jet substructure
我们介绍的能量流多项式：一套完整的射流子结构观测，形成一个离散的线性基础上，所有的红外线和共线安全的观测。能量流多项式是具有特定角结构的多粒子能量转换器，其是红外和共线安全的直接结果。我们建立了一个强大的图论表示的能量流多项式，使我们能够设计有效的算法，其计算。许多常见的射流观测值是能量流多项式的精确线性组合，我们通过对几个常见的射流观测值进行回归来证明能量流基础的线性跨越性质。使用线性分类与能量流多项式，我们取得了优异的性能上的三个代表性的喷注标记问题：夸克/胶子歧视，助推W标记，助推顶部标记。能流基础提供了一个系统的框架，使用线性方法的射流子结构的完整调查。
2018-04-03 hep-ex hep-ph
From strange-quark tagging to fragmentation tagging with machine learning
本研究将图注意力网络、Particle Transformer等机器学习技术应用于LHC的两类喷注分类任务，发现复杂架构对奇异-下夸克喷注区分提升有限，但可显著提升底重子-底介子喷注的碎裂道分类效果。
2025-02-23 hep-ex hep-ph
Jet tagging algorithm of graph network with HaarPooling message passing
Central China Normal University（华中师范大学）；Eötvös Loránd University（厄特沃什·罗兰大学）；Max-Planck-Institute for Mathematics in the Sciences（马克斯·普朗克数学研究所）
针对高能物理喷注标记任务，提出结合HaarPooling操作的图神经网络HMPNet，通过k-means聚类嵌入多类粒子特征增强特征提取，实验验证其在夸克-胶子标记上的性能优于纯消息传递网络，是喷注标记的有效GNN算法。
2023-10-10 cs.CV cs.LG hep-ex
Long Short-Term Memory (LSTM) networks with jet constituents for boosted top tagging at the LHC
The University of British Columbia（不列颠哥伦比亚大学）；McGill University（麦吉尔大学）；Stanford University（斯坦福大学）
基于工程特征的多元技术在大型强子对撞机（LHC）强子顶衰变产生的喷流的识别中得到了广泛的应用。深度学习在这一领域的最新发展包括将量热计激活作为图像处理，或将射流成分动量列表提供给完全连接的网络。后一种方法非常适合使用递归神经网络。在这项工作中，探索了结合长短期记忆（LSTM）网络的架构的适用性。研究了几种网络结构、射流成分排序方法和输入预处理方法。性能最好的LSTM网络实现了100的背景抑制，信号效率为50%。这比在类似类型的输入上训练的完全连接的深度神经网络（DNN）提高了两倍以上。
2017-11-24 cs.LG hep-ex hep-ph
Jet tagging made easy
我们开发的标记器的多分叉的射流，是简单的功能的射流子结构（所谓的“subjettiness”）变量。这些标记可以用一种相当简单的方法近似地与喷流质量去相关。具体来说，我们使用逻辑回归设计（LoRD），即使是最简单的机器学习分类器之一，也显示出超过ATLAS和CMS合作使用的简单变量的性能，并且与基于神经网络的更复杂的模型相差不远。与后者相反，我们的方法允许通过提供具有已经优化的参数的简单且可解释的分析公式来容易地执行标记任务。
2020-06-08 hep-ph
Tagging more quark jet flavours at FCC-ee at 91 GeV with a transformer-based neural network
本文提出基于Transformer的DeepJetTransformer喷注味标记算法，通过加入K_{S}^{0}、Λ^{0}重建和K/π鉴别，在FCC-ee 91 GeV下高效标记s夸克喷注，仅需60 nb^{-1}即可实现Z→s\ar{s}的5σ发现。
2025-02-10 hep-ex hep-ph
Safety of Quark/Gluon Jet Classification
在分析高能粒子碰撞的数据和寻找标准模型之外的物理过程中，将喷流分类为夸克与胶子引发的喷流是一项重要而又具有挑战性的任务。最近，在低水平探测器信息上运行的深度神经网络的集成，使夸克/胶子喷注标记模型的分类能力得到了显着提高。然而，在模拟样本上训练的这种模型的能力提高是以降低可解释性为代价的，这引起了人们对其可靠性的担忧。我们阐明夸克/胶子喷流分类决策背后的物理学，通过比较网络的性能，没有红外线和共线安全的约束，并通过揭示学习模型的能量和角度依赖性来识别不安全信息的性质。这反过来又使我们能够近似的低级别网络的性能（99%或更高）使用等效的可解释的高级别的可观的，它可以用来探测模拟样本的保真度和定义系统的不确定性。
2021-03-16 hep-ex hep-ph
Explainable AI for Jet Tagging: A Comparative Study of GNNExplainer, GNNShap, and GradCAM for Jet Tagging in the Lund Jet Plane
Department of Physics, Indian Institute of Technology, Kanpur Uttar-Pradesh-208016, India（印度理工学院坎浦尔分校物理系）
本文比较了GNNExplainer、GNNShap和GradCAM在Lund喷注平面中喷注标记的性能，通过蒙特卡洛真实解释掩码和物理指导评估框架，揭示了非微扰与微扰区域的解释质量变化，并量化了解释器分配的节点重要性与经典喷注子结构观测量的相关性。
2026-04-28 cs.LG hep-ex hep-ph
Deep-learned Top Tagging with a Lorentz Layer
我们介绍了一个新的和高效的强子衰变顶夸克的标签，基于深度神经网络与洛伦兹矢量和闵可夫斯基度规。凭借其新颖的机器学习设置和架构，它使我们不仅可以从热量计塔中识别助推顶夸克，还可以包括跟踪信息。我们展示了我们的标记器的性能与QCD启发和图像识别方法相比，发现它显着提高了强推顶夸克的性能。
2018-04-23 hep-ex hep-ph
Jet Flavour Tagging for Future Colliders with Fast Simulation
喷流味道识别算法对于最大限度地发挥未来对撞机实验的物理潜力至关重要。这项工作描述了一套新的工具，允许一个现实的模拟和重建的粒子水平的观测量，是必要的成分，以喷气式飞机的味道识别。本文提出了一种任意跟踪子探测器结构的带电粒子径迹参数和协方差矩阵的重建算法。已经实施了允许使用飞行时间和电离能量损失信息进行粒子识别的其他模块。基于图形神经网络结构和利用所有可用的颗粒级信息的喷气式飞机的香味识别算法已经开发。不同的检测器设计假设的味道标记性能的影响进行评估使用FCC-EE的IDEA检测器原型。
2022-02-07 hep-ex hep-ph
PCN: A Deep Learning Approach to Jet Tagging Utilizing Novel Graph Construction Methods and Chebyshev Graph Convolutions
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Johns Hopkins University（约翰斯·霍普金斯大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出粒子切比雪夫网络PCN，通过最大化信息的图表征和ChebConv图卷积实现喷注标记，显著提升准确率并拓展了GNN在高能物理中的应用。
2024-06-13 cs.LG hep-ex hep-ph
Enhancing di-jet resonance searches via a final-state radiation jet tagging algorithm
School of Science, Sun Yat-sen University（中山大学理学院）
本文通过事件级深度神经网络标记最终态辐射喷注，提升双喷注共振搜索的分辨力和灵敏度，显著改善信号质量。
2026-01-05 hep-ph
Higgs boson tagging with the Lund jet plane
我们建立了一个分离过程，以提升希格斯玻色子衰变为强子，从背景中，由于强相互作用。我们采用Lund喷气飞机来获得理论上动机良好的感兴趣的喷气机的表示，我们使用由此产生的图像作为卷积神经网络分类器的输入。特别是，我们考虑两种不同的衰变模式的希格斯玻色子玻色子，即到一对底夸克或到轻喷流，对各自的背景。对于每一种情况，我们都考虑了一个中等和高升压的情况.的标签的性能相比，使用传统的单变量分析，利用QCD启发的颜色单态标签，即喷气色环观察到的。
2021-09-28 hep-ph
Quantum Graph Neural Networks for Jet Tagging on Quantum Hardware
University of California, Los Angeles（加州大学洛杉矶分校）；University of Maryland, College Park（马里兰大学帕克分校）；National Quantum Lab, University of Maryland（马里兰大学国家量子实验室）；Mani L. Bhaumik Institute for Theoretical Physics, University of California, Los Angeles（加州大学洛杉矶分校马尼·L·巴乌米克理论物理研究所）；Center for Quantum Science and Engineering, University of California, Los Angeles（加州大学洛杉矶分校量子科学与工程中心）
该研究提出置换不变量子图神经网络（QGNN），将其应用于量子硬件的喷注标记任务，在两类判别任务中取得有前景结果，首次将量子模型用于上/下夸克味标记，还开展了可解释性分析。
2026-09-07 hep-ex hep-ph quant-ph
Recursive Neural Networks in Quark/Gluon Tagging
由于机器学习技术正在迅速改进，已经表明深度神经网络中的图像识别技术可以用于检测射流子结构。事实证明，深度神经网络可以匹配或优于传统的专家特征方法。然而，也有缺点，如稀疏的喷流图像。递归神经网络（RecNNs）基于jet序列聚类的自然树状结构，像自然语言处理一样递归地嵌入jet聚类历史，在处理这些问题时表现出更好的性能。因此，我们试图探索的性能RecNN在夸克/胶子的歧视。结果表明，RecNN的胶子拒绝率比基线提升决策树（BDT）好几个百分点。然而，粒子流识别的额外实现仅略微提高性能。我们还对一些可能影响网络性能的相关方面进行了实验。结果表明，即使只取粒子流识别作为输入特征，而不需要任何关于动量或角位置的额外信息，也已经给出了相当好的结果，这表明用于夸克/胶子区分的大部分信息已经包含在树结构本身中。作为奖励，一个粗略的上/下夸克喷注歧视也进行了探讨。
2018-06-28 hep-ex hep-ph stat.ML
Interplay of Traditional Methods and Machine Learning Algorithms for Tagging Boosted Objects
本文综述了LHC上增强希格斯玻色子和顶夸克的标记方法，研究传统喷注子结构方法与机器学习算法的结合，以提升可解释性并构建适用于标准模型及新物理的混合标记器。
2024-08-02 hep-ex hep-ph
Assessing Parameter Redundancy in Transformers for Jet Tagging
Henan University（河南大学）；University of Shanghai for Science and Technology（上海理工大学）；Shanghai Jiao Tong University（上海交通大学）
本文针对Transformer喷注标记器参数冗余问题，通过引入沙漏结构和轻量级嵌入层构建变体，大幅减少参数并基本保持标记性能。
2026-08-18 hep-ex hep-ph
Identification of b-jets using QCD-inspired observables
我们研究了从只含有轻部分子的喷注中分离含有底夸克的强子喷注（$b$ -喷注）的问题。我们开发了一种新的方法来$b$标记，利用QCD启发的射流子结构观测值，如一维射流角度和二维主隆德平面的应用。我们证明，这些观测值可以作为输入到现代机器学习算法，以有效地分离$b$ -喷气机从轻的。为了测试我们的标记过程，我们考虑产生$Z$玻色子的模拟事件与喷流相关联，并表明使用喷流角度作为深度神经网络的输入，以及使用从主隆德喷流平面获得的图像作为卷积神经网络的输入，可以实现与传统的基于轨道的标记器的准确性相当的标记准确性。我们认为，互补使用的轨道为基础的标签连同那些基于QCD启发的可观的可以提高$b$标记的准确性。
2023-02-17 hep-ex hep-ph
Morphology for Jet Classification
我们介绍了一个基于神经网络的射流标记分析像素化射流图像的闵可夫斯基函数（MF）。MFs是二值图像的几何度量，可以看作是喷注标记中的一个重要量--粒子多重性的推广。它们通过膨胀的变化编码了射流成分在不同角度尺度上出现的几何结构。我们明确地表明，这种分析使用的MF与数学形态学可以被认为是一个受约束的卷积神经网络（CNN）。相反，CNN可以在一定限度内模拟MF，我们在标记隐藏山谷场景的强相互作用中出现的半可见喷流的例子中显示了它们的相关性。的MF是独立的IRC安全的观测值通常用于射流物理。我们将这种形态分析与IRC安全的关系网络相结合，该网络模拟两点能量相关性。虽然所得到的网络使用受约束的输入参数，但它显示出与CNN相当的暗喷流和顶喷流标记性能。该架构具有显着的计算优势时，可用的数据是有限的。我们表明，它的标记性能是远远优于CNN与少量的训练样本。我们还定性地讨论了它们的部分子簇射模型依赖性。结果表明，MFs可以作为射流IRC不安全特征空间的有效参数化。
2021-08-10 hep-ex hep-ph
Particle Convolution for High Energy Physics
Yale University（耶鲁大学）
我们介绍了粒子卷积网络（PCN），一种新型的等变神经网络层，适用于射流物理中的许多任务。粒子卷积层可以被视为深度集和能量流网络架构的扩展，其中置换不变算子被提升为群卷积。虽然PCN可以实现各种对称性，我们认为围绕射流轴旋转的$η- ϕ$平面的具体情况。在两个标准的基准任务，q/g标记和顶部标记，我们表明，旋转PCN（rPCN）实现的性能媲美图网络，如粒子网。此外，我们表明，有可能实现一个IRC安全的rPCN，显着优于现有的IRC安全的标记方法在这两个任务。我们推测，通过将PCN推广到包括与射流物理学相关的额外卷积对称性，它可能会优于当前最先进的图形网络集，同时提供对物理激励的归纳偏差的新控制程度。
2021-07-05 cs.LG hep-ex hep-ph
Machine learning-based b-jet tagging in $pp$ collisions at $\sqrt{s}=13$ TeV
University of Tsukuba（筑波大学）；University of Jyväskylä（于韦斯屈莱大学）；Helsinki Institute of Physics（赫尔辛基物理研究所）
该研究针对√s=13 TeV质子-质子碰撞，采用反kT算法重建喷注，用基于喷注等信息训练的卷积神经网络标记b喷注，其性能优于传统标记方法。
2026-08-14 hep-ex hep-ph nucl-th
Semi-Equivariant GNN Architectures for Jet Tagging
Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；Princeton University（普林斯顿大学）；University of California Berkeley（加州大学伯克利分校）
已经提出了尊重物理对称性的操作的组合图神经网络（GNN），以提供更好的模型性能和更少的可学习参数。然而，现实世界的应用，如在高能物理还没有诞生出来。我们提出了一种新颖的架构VecNet，它结合了尊重物理和无约束的操作来研究和调整物理知识的GNN的程度。我们引入了一种新的度量，\textit{ant factor}，量化的资源效率的搜索空间中的每个配置。我们发现，一个广义的架构，如我们可以提供最佳的性能在资源受限的应用程序。
2022-02-14 cs.LG hep-ex hep-ph
Improving Robustness of Jet Tagging Algorithms with Adversarial Training
RWTH Aachen University（亚琛工业大学）；Brown University（布朗大学）
深度学习是高能物理学领域的标准工具，它为许多分析策略提供了相当大的灵敏度增强。特别是，在识别物理对象，如喷气式飞机的味道标记，复杂的神经网络架构发挥了重要作用。然而，这些方法依赖于精确的模拟。错误建模可能会导致需要测量和校准的数据中不可忽略的性能差异。我们研究了分类器对注入错误建模的输入数据的响应，并通过应用对抗性攻击来探索风味标签算法的脆弱性。随后，我们提出了一种对抗性训练策略，可以减轻这种模拟攻击的影响，并提高分类器的鲁棒性。我们研究性能和脆弱性之间的关系，并表明这种方法构成了一个很有前途的方法，以减少脆弱性差的建模。
2022-09-16 cs.LG hep-ex hep-ph
