Probing TeV scale Top-Philic Resonances with Boosted Top-Tagging at the High Luminosity LHC
我们研究了在高亮度LHC上发现四顶末态单次产生的亲顶共振的可能性。我们的分析跨越了全强子，半轻子，和相同的符号双轻子通道，我们提出了具体的搜索策略，足以提高运动制度和高射流多重性的环境。我们利用模板重叠方法（TOM）与新开发的模板观测值标记助推顶夸克，一个大半径喷流变量$M_J$和定制的b标记策略的背景歧视。我们的研究结果表明，同号双轻子通道给出了最好的灵敏度在考虑的通道，提高了显着性高达10%-20%，当结合升压顶部标记。全强子和半轻子通道都具有相当的发现潜力，并有助于通过结合所有通道进一步提高灵敏度。最后，我们通过显示$2σ$排除极限和$5σ$发现范围，包括所有三个通道的组合，显示了在LHC和HL-LHC的亲顶共振的灵敏度。
2016-11-02 hep-ph
Unveiling the Secrets of New Physics Through Top Quark Tagging
Institute of Physics, Bhubaneswar（布巴内斯瓦尔物理研究所）；Homi Bhabha National Institute（霍米·巴巴国立研究所）；Institute of High Energy Physics, Chinese Academy of Sciences（中国科学院高能物理研究所）；Kaiping Neutrino Research Center（开平中微子研究中心）
本文综述了顶夸克标记在LHC上用于Beyond Standard Model搜索的现状及应用，探讨了基于机器学习的分类方法在区分顶夸克喷注与QCD喷注中的最新进展。
2024-09-18 hep-ph
Hollow cone sieve for top tagging
介绍了一种顶部标注方法。使用反kt算法来定义喷射，具有nj = 2个锥体尺寸R = 1.5的脂肪喷射的事件被分解成R = 0.6个子喷射，并且如果nj（R= 0.6）\geq 4则被保留。一对子喷流重建W质量，另一个喷流被标记为b喷流，这对于tt起源的强子或半轻子事件是必要的。这种“空心锥”方法区分了tt事件和轻部分子QCD双射事件。我们的模拟是在7 TeV的LHC。
2011-10-10 hep-ph
Quark/Gluon Discrimination and Top Tagging with Dual Attention Transformer
喷注标记是高能物理中的一项重要分类任务。最近，通过应用深度学习技术，喷气机标记的性能得到了显着提高。在这项研究中，我们介绍了一种新的架构射流标记：粒子双注意力Transformer（P-DAT）。这种新颖的Transformer架构的突出之处在于同时捕获全局和局部信息，同时保持计算效率。关于自我注意机制，我们已经扩展了粒子之间的注意机制，包括粒子特征之间的注意机制。粒子注意力模块计算所有粒子之间的粒子级相互作用，而通道注意力模块计算粒子特征之间的注意力分数，这通过考虑所有粒子来自然捕获射流级相互作用。这两种注意机制可以相互补充。此外，我们将两对粒子的相互作用和两对喷流功能的相互作用中的注意力机制。我们证明了P-DAT架构在经典的顶级标签和夸克胶子歧视任务的有效性，实现竞争力的表现相比，其他基准策略。
2023-11-28 hep-ph
Investigating 1-Bit Quantization in Transformer-Based Top Tagging
本文提出1位量化Transformer架构BitParT，通过开发Particle Transformer的二值权重变体应用于顶夸克标记，在大幅降低模型规模与计算复杂度的同时保持了与全精度模型相当的竞争性能，为对撞机实验的实时推理铺平道路。
2025-08-10 hep-ph
Tagging single Tops
顶标签识别和重建助推顶夸克已被建立作为一种新的工具，为众多的大型强子对撞机分析。我们展示了如何与一个光味或底部射流的单顶生产可以观察到在助推相空间制度。作为标记算法的一部分，完整的顶部重建允许我们定义一个独特的运动学角度，该角度可以清楚地区分不同的单顶部生产过程。
2012-07-19 hep-ex hep-ph
The fundamental limit of jet tagging: Beyond top jets
RWTH Aachen University（亚琛工业大学）
该研究针对粒子物理喷注标记问题，基于Transformer生成模型拓展最优极限研究至W、Z、H→gg喷注，发现极限差距具喷注依赖性，为标记器性能优化提供依据。
2026-08-03 hep-ph
How to Improve Top Tagging
在LHC数据的第一次测试中，我们介绍了一组纯粹的运动学顶部标记算法的改进和测试。首先，我们展示了如何不同的射流算法可以用于不同的横向动量制度。在重建中结合修剪和滤波可以显著提高信号与背景的比率，而较大的射流半径仅给出微小的改善。最后，底部标记可以被添加到顶部标记器，但至少对于HEPTopTagger来说，并没有改进运动选择算法。
2011-11-21 hep-ex hep-ph
Observability of s-channel Heavy Charged Higgs at LHC Using Top Tagging Technique
本文讨论了在400 GeV < mH < 1000 GeV质量范围内重荷电希格斯粒子的可观测性问题。在14 TeV LHC下，产生过程设定为pp -> H+ -> tb。分析得益于顶标记技术，这是基于发现一个脂肪喷注作为一个结果的顶夸克衰变的信号事件。进行了详细的强子水平的分析和选择效率与不同的带电希格斯质量假设。最后运行玩具实验和使用伪数据，在信号加背景分布上进行拟合，以评估重建带电希格斯峰及其不变质量测量的可能性。结果表明，带电的希格斯质量可以很好地重建在质量范围500 GeV至1 TeV，信号的意义，这取决于tan β。最终发现了5sigma和95%的C.L.还提供了排除轮廓。
2016-01-30 hep-ph
Machine Learning Based Top Quark and W Jet Tagging to Hadronic Four-Top Final States Induced by SM as well as BSM Processes
本研究将选定的机器学习技术应用于强子型四顶夸克末态的顶夸克与W喷注标记，结合模拟事件和参数化探测器模拟开展实验，并与基于切割的方法进行对比。
2025-01-08 hep-ex hep-ph
Quark-versus-gluon tagging in CMS Open Data with CWoLa and TopicFlow
利用CMS开放数据，比较弱监督（CWoLa、TopicFlow）与完全监督方法在夸克-胶子喷注标记中的表现，发现真实数据上排名反转，并验证鲁棒性。
2025-08-07 hep-ph
Searching for anomalous top quark interactions with proton tagging and timing detectors at the LHC
我们研究了LHC对双光子聚变和衰变到顶夸克对$γγ\to t\bar{t}$中产生的新的宽中性共振的灵敏度。这在质子-质子碰撞中的中心排他$t\bar{t}$产生$pp \to p t\bar{t} p$中进行了探索。我们使用PPS（CMS）和AFP（ATLAS）对完整质子进行标记，并考虑半轻子$t\bar t$通道。灵敏度也被映射到一组8维$γγt\bar{t}$运营商在大质量限制。利用完整质子和重建的$t\bar{t}$系统之间的运动学相关性，我们获得了$1.4 \cdot 10^{-11}~\mathrm{GeV}^{-4}$在95%CL下对8维算子耦合的灵敏度。如果质子飞行时间在未来的测量中以20 ps的精度已知，则对异常耦合的灵敏度显著提高到约$7\cdot 10^{-12}~\mathrm{GeV}^{-4}$。当使用定时信息时，对宽中性共振的95% CL灵敏度达到$ 1500~\mathrm{GeV} $级质量。
2022-05-02 hep-ph
Deep-learned Top Tagging with a Lorentz Layer
我们介绍了一个新的和高效的强子衰变顶夸克的标签，基于深度神经网络与洛伦兹矢量和闵可夫斯基度规。凭借其新颖的机器学习设置和架构，它使我们不仅可以从热量计塔中识别助推顶夸克，还可以包括跟踪信息。我们展示了我们的标记器的性能与QCD启发和图像识别方法相比，发现它显着提高了强推顶夸克的性能。
2018-04-23 hep-ex hep-ph
Application of Machine Learning Based Top Quark and W Jet Tagging to Hadronic Four-Top Final States Induced by SM and BSM Processes
本文在Delphes模拟框架下对比截断与机器学习喷注标记方法，识别顶夸克和W喷注，用于标准模型及新物理标量共振y0的全强子四顶夸克末态，重建不变质量并比较背景抑制性能，为LHC搜索提供参考。
2024-10-16 hep-ex hep-ph
Infrared Safety of a Neural-Net Top Tagging Algorithm
Korea University（高丽大学）；Korea Institute for Advanced Study（韩国高等研究院）；Cornell University（康奈尔大学）
基于神经网络的算法提供了一个很有前途的方法来射流分类问题，如助推顶部射流标记。到目前为止，基于NN的顶级标记器在Monte Carlo研究中表现出出色的性能。在本文中，我们构建了一个基于卷积神经网络（CNN）的top-jet标记器，并将其应用于部分子水平提升的top样本，有和没有一个额外的胶子在最终状态。我们表明，由CNN定义的喷流观测服从红外安全的规范定义：它不受额外胶子的存在，只要它是软的或与夸克之一共线。我们的研究结果表明，CNN标记器是强大的软和共线的最终状态辐射的蒙特卡罗发生器可能的错误建模。
2019-02-16 cs.CV hep-ph
Pulling the Higgs and Top needles from the jet stack with Feature Extended Supervised Tagging
喷流标记已成为高能前沿新物理研究的重要工具。对于含有高能带电轻子的喷流，我们引入了特征扩展监督标记（FEST），除了喷流子结构外，还考虑了喷流内带电轻子的特征。用这种方法，我们建立了专门的标签区分之间的提升$H \to \ell νq \bar q$，$t \to \ell νb$，和QCD喷流（与$\ell$电子或μ子）。标记器具有令人印象深刻的性能，允许$10^4-10^5$的整体光喷流排斥因子，$0.5$的顶夸克/希格斯玻色子效率。该标记器在区分希格斯玻色子和顶夸克方面也很出色，反之亦然，例如，对于$0.5$的希格斯玻色子效率，通过$100-300$的因子拒绝顶夸克。我们证明了这些标签的潜力，以提高新的物理的灵敏度作为例子，一个新的$Z'$玻色子衰减到$Z H$，在全强子的最终状态的搜索。
2021-08-30 hep-ex hep-ph
Heavy-flavour tagging and the supersymmetry reach of the CERN Large Hadron Collider
在第三代夸克比其他夸克轻的超对称模型中，或者在与冷暗物质的测量密度相一致的混合希格西诺暗物质模型中，预计胶子衰变到第三代夸克的分支分数将得到增强。在这种情况下，欧洲核子研究中心大型强子对撞机的胶子生产事件应该富含顶夸克和底夸克喷流。因此，除了缺少横向能量之外，还需要b喷流，这将增强相对于来自V +喷流、VV和QCD背景（V=W，Z）的标准模型背景的超对称信号。我们量化的超对称性达到的大型强子对撞机从b-标记在各种动机良好的超对称性模型的增加。我们还在LHC上探索了“顶部标记”。我们发现，虽然这证明是太低的效率，以提供超出通过b-标签获得的范围的增加，顶部标签确实可以提供一个确认的信号，如果胶子不是太重。最后，我们探讨了在模型中检测第三代squarks的直接生产与一个倒squark质量层次的前景。这是由b-喷流+失踪横向能量事件比标准模型更难，但比那些从生产胶子和更重的平方软的信号。我们发现，虽然这些事件可以很容易地从SM背景分离（第三代夸克质量~300-500 GeV），从更重的胶子和夸克的污染仍然是可怕的，如果这些也可以访问。
2008-08-06 hep-ph
The dependency of boosted tagging algorithms on the event colour structure
事件颜色结构的影响上的性能的Johns-Hopkins，CMS，HEPToptagger和N-Subjettiness算法的研究通过研究色单重态和色八重态共振衰减到顶夸克对。由于每个共振的不同色荷，观察到顶部标记效率的巨大差异。这些差异被量化为算法参数、喷流大小参数和将轻夸克和胶子错误识别为顶级候选者的概率的函数。我们建议，未来的实验搜索将受益于优化算法参数的选择，以尽量减少这种来源的模型依赖性。
2012-07-25 hep-ex hep-ph
Heavy Top Quark Searches in the Di-Lepton Mode at the Tevatron
本文详细研究了$b$标记对费米实验室Tevatron上双轻子加两个高能横喷模的重顶夸克信号和背景的影响。本文还讨论了重顶夸克信号事件的一般特征，以便比较$b$标记和施加严格的运动学切割以消除背景。
1993-06-01 hep-ph
Tagging a Boosted Top quark with a $τ$ final state
本文提出一种在半轻子衰变道中利用末态τ轻子标记增强顶夸克的方法，通过子喷注重聚类、b/τ识别及运动学变量和多变量分析，在约3%背景效率下实现约77%信号效率，并推广至极化顶夸克和重BSM粒子标记。
2023-06-03 hep-ex hep-ph
Deep-learning Top Taggers or The End of QCD?
基于卷积神经网络的机器学习可用于研究LHC的喷流图像。在脂肪喷射机的顶部标记提供了一个定义良好的框架，以建立我们的DeepTop方法，并将其性能与基于QCD的顶部标记器进行比较。我们首先优化网络架构，以确定顶夸克的蒙特卡罗模拟的标准模型生产通道。使用标准的脂肪射流，然后比较其性能的多变量QCD为基础的顶部标记。我们发现，这两种方法导致相当的性能，建立卷积网络作为一个有前途的新方法，基于多变量假设的顶部标记。
2017-05-16 hep-ph
Tagging a mono-top signature in Natural SUSY
我们研究了探测自然超对称区域的可行性，在那里停止和希格西诺质量被压缩。虽然该区域在单射流通道中最有效地搜索，但该签名存在于许多其他非超对称框架中。因此，需要另一个携带正交信息的信道来确认光阑和希格斯玻色子的存在。我们发现，超对称版本的$t \bar t H$过程，$pp \to t \tilde t_1 \tilde χ^0_{1(2)}$，可以有可观的大速率时，停止和希格斯是显着轻，它导致一个独特的单顶部签名压缩质量区域。我们证明了强子通道的单顶签名可以有效地区分信号从背景标记强子顶喷流。结果表明，在13 TeV的LHC上，在3 ab $^{-1}$光度下，单顶特征的强子通道比轻子通道有了显著的改善，灵敏度达到了$m_{\tilde t_1} \simeq 420$ GeV.
2016-10-19 hep-ex hep-ph
Tagging highly boosted top quarks
对于高能顶夸克，衰变t->bqq'的产物是准直的。如果粒子喷射分离接近量热计粒度，则仅使用量热计信息不再能够解决3叉衰变结构。我们提出了一种新的方法，HPTTopTagger，使用轨道的带电粒子内的脂肪喷流找到顶夸克的横向动量pT >1 TeV。跟踪信息由脂肪喷射能量的热量计测量补充，以消除对带电粒子与中性粒子比率中的喷射到喷射波动的敏感性。我们表明，与HPTTopTagger，疏轻子的窄质量Z'玻色子的质量为3 TeV，可以发现使用300/fb的14 TeV的LHC数据。
2014-02-03 hep-ex hep-ph
Single-Lepton Top Signals with a b-Tag at the Tevatron
轻子W衰变加喷注的事件应该包含顶夸克信号，但QCD W+喷注背景必须分离。我们比较了横向W-动量、喷流多重性和b-标记分离准则，发现标记后的主要背景来自错置。我们举例说明如何通过事件重建来提取质量m_t，以及如何通过轻子角分布来确定信号纯度。
1993-12-20 hep-ph
Boosted top: new algorithms and perspectives
随着LHC高能数据的到来，顶夸克物理学中的助推段研究得到了快速发展。这篇简短的评论总结了ATLAS和CMS中增强的顶部标记技术的现状，并概述了一些最值得注意的发展。
2016-12-05 hep-ex 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
Top-Tagging at the Energy Frontier
在未来的强子对撞机和未来几年的大型强子对撞机上，顶夸克将以真正的多TeV能量产生。在如此高的能量下进行顶部标记迫使我们在探测器能力和喷流物理学方面面临几个新问题。在这里，我们探讨这些问题的背景下，一些简单的JHU/CMS型去聚类算法和N-subjettiness射流形状变量τ_32。我们首先强调的互补性，这两个标签的方法在粒子水平上的歧视顶喷胶子和夸克，使用多变量优化扫描。然后，我们介绍了一个基本的快速探测器模拟，包括从GEANT确定的电磁量热计淋浴模式。我们考虑了一些技巧处理的快速检测器输出回一个近似的粒子级的图片。重新优化的标记器参数，我们证明了在非常高的能量的歧视功率的不可避免的损失通常可以得到改善。例如，即使在极端情况下，整个顶部衰变将位于一个强子量能器单元内，并且完全没有跟踪信息，也可能保持100级的错误率。然后，我们研究了三个新的物理效应，将出现在多TeV的能量制度：胶子辐射的顶夸克，mistag起源于g -> tt，和mistag起源于q ->（W/Z）q共线电弱分裂与随后的强子衰变。第一个效应，虽然名义上是一个讨厌的东西，但实际上可以用来稍微改善对胶子的辨别。第二个效应可以导致对紧工作点胶子错误率的O（1）有效增强。第三个效应，虽然在概念上很有趣，但我们证明了它在所有能量下都具有高度的次要重要性。
2017-07-21 hep-ex hep-ph
Playing Tag with ANN: Boosted Top Identification with Pattern Recognition
在大型强子对撞机（LHC）上，许多对标准模型之外的物理学的研究都依赖于顶标记算法，该算法可以区分强子顶夸克和更常见的由轻夸克和胶子引发的喷流。我们注意到，强子量能器（HCAL）有效地采取了“数字图像”的每一个喷流，与像素强度给出的能量沉积在个别HCAL细胞。从这个角度来看，顶部标记成为一个规范的模式识别问题。有了这个动机，我们提出了一种新的顶部标记算法的基础上，人工神经网络（ANN），最流行的方法之一，模式识别。人工神经网络的大样本的助推顶部和轻夸克/胶子喷流进行训练，然后应用到独立的测试样本。人工神经网络标记器在蒙特卡罗研究中表现出优异的性能：例如，对于p_T在1100-1200 GeV范围内的喷流，可以实现60%的顶部标记效率和4%的错误标记率。我们讨论的物理特征的喷流识别的人工神经网络标签作为最重要的分类，以及人工神经网络标签和一些熟悉的顶部标记观测值和算法之间的相关性。
2015-01-23 hep-ex hep-ph
Boosted top tagging and its interpretation using Shapley values
本研究基于$N$-Subjettiness和Energy Correlation等特征训练XGBOOST构建顶夸克标记器，验证了其在不同模拟条件下的鲁棒性，并利用SHAP框架和Shapley值解释了各特征对模型预测的贡献。
2024-12-27 hep-ex hep-ph
Tagging Partially Reconstructed Objects with Jet Substructure
我们提出了一种新的标记器，其目的是在识别部分重建的对象，其中只有一些成分被收集在一个单一的射流。作为一个例子，我们专注于顶部衰变的强子衰变W或b喷流的任何一部分是软的或落在顶部喷流锥之外。我们构造了一个观测量来识别衰变的残余子结构，并采用积极的喷流梳理来拒绝QCD背景。该标记器是现有的补充，并在中间助推制度，喷气子结构技术通常失败。预计类似的标记器可以用于识别非QCD强子喷流，例如那些来自隐藏山谷的喷流。
2014-12-23 hep-ex hep-ph
Boosted Top Tagging through Flavour-violating interactions at the LHC
针对LHC上$t \ o cH$稀有衰变，本文提出结合大R喷注b/c标记与改进喷注子结构的增强顶夸克标记算法，并用SHAP解释分类贡献。
2025-02-15 hep-ex hep-ph
Novel $|V_{cb}|$ extraction method via boosted $bc$-tagging with in-situ calibration
提出一种在 LHC 上利用先进 boosted-jet 标记器识别 $bc$ 特征并通过 top-quark 衰变进行原位校准的新方法，显著提高了 $|V_{cb}|$ 测量精度并增强了 $H^{\pm} \rightarrow bc$ 搜索灵敏度。
2025-04-03 hep-ph
B-tagging in CMS
b喷注的识别是研究和表征顶夸克事件等各种通道和许多新物理现象的关键问题。利用b夸克喷注中产生的b强子寿命长、质量大、动量分数大的特点，CMS定义了不同的b强子标记技术。基于b-强子次顶点的测度或具有大碰撞参量的径迹，已经发展了有效的算法。利用2011年7 TeV pp碰撞的数据，估算了轻味喷流的b标记效率和错误率。
2012-01-25 hep-ex hep-ph
Tagging boosted hadronic objects with dynamical grooming
我们评估的动力学疏导技术的唯象适用性，介绍了在[1]，在大型强子对撞机的条件下，提升W和顶部标记。我们的方法的扩展打算与内部质量尺度的多叉衰变，如顶夸克衰变，提出。首先，我们解决了W和顶部射流的质量分布的重建量化由于堆积的涂抹。与SoftDrop及其递归版本等最先进的梳理算法相比，动态梳理显示出对背景波动的增强弹性。此外，我们评估的区分能力的动力学梳理，以区分W（顶）喷流QCD的执行两步分析：引入削减的梳理质量周围的W（顶）质量峰，其次是限制的N subjettinnes比$τ_{21}$（$τ_{32}$）。对于W喷气机，开箱即用的动态梳理版本，没有特别的参数，导致与SoftDrop相当的性能。关于最高的标签效率，3-prong动态疏导，尽管它的简单性，提出了更好的性能比SoftDrop和类似的结果递归SoftDrop。
2020-05-15 hep-ex hep-ph nucl-ex
Exploring unsupervised top tagging using Bayesian inference
针对蒙特卡洛模拟可能引入偏差的问题，提出两种基于贝叶斯推断混合模型的无监督顶夸克标记算法，性能略低于有监督方法但更稳健，为无偏标记器探索迈出一步。
2023-06-23 hep-ex hep-ph
Measuring $|V_{ts}|$ directly using strange-quark tagging at the LHC
Cabibbo-Kobayashi-Maskawa（CKM）元素$V_{ts}$代表顶夸克和奇夸克之间的耦合，目前最好通过基于CKM矩阵的么正性的拟合来确定，并通过$V_{ts}$或$K$介子的箱形图振荡和环介导的罕见衰变来间接测量。以前曾有人提议在LHC上利用$t$夸克到$s$夸克的树级衰变来确定$|V_{ts}|$，LHC已成为顶级工厂。在本文中，我们扩展的建议，进行详细的分析测量$t \to sW$在双轻子$t\bar{t}$事件。特别是，我们进行探测器响应模拟，包括重建的$K_S$，这是用于标记喷流产生的$s$夸克对占主导地位的$t \to bW$衰变。我们表明，它应该是可能的，以排除$|V_{ts}| = 0$在6.0 $σ$与预期的高亮度LHC光度为3000 FB $^{-1}$。
2021-12-03 hep-ex hep-ph
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
Finding top quarks with shower deconstruction
我们发展了一种标记强子衰变顶夸克喷注的新方法。该方法是簇射解构法的一种应用，簇射解构法是一种最大信息方法，以前曾用于识别衰变为底夸克的希格斯玻色子产生的喷流。我们标记一个观察到的喷流作为顶部喷流的基础上削减计算的变量，这是一个近似的比率的可能性，顶部喷流将有观察到的喷流的结构的可能性，一个非顶部QCD喷流将有这种结构。我们发现基于簇射解构的标记算法在区分QCD喷注和顶夸克喷注方面比其他公开可用的标记算法有更好的表现。
2016-12-20 hep-ex hep-ph
Jet tagging in the Lund plane with graph networks
Rudolf Peierls Centre for Theoretical Physics（鲁道夫·派尔斯理论物理中心）；CERN（欧洲核子研究中心）
顶夸克或矢量玻色子等助推重粒子的识别是大型强子对撞机实验研究中的关键问题之一。在这篇文章中，我们介绍了LundNet，一种新的射流标记方法，它依赖于图形神经网络和射流内的辐射模式的有效描述，以最佳地将增强对象的特征与背景事件分离开来。我们将这个框架应用到一些不同的基准测试中，与现有的最先进的算法相比，顶级标记的性能得到了显着提高。我们研究了LundNet标记器对非微扰和检测器效应的鲁棒性，并展示了Lund平面中的运动学切割如何减轻神经网络对模型相关贡献的过拟合。最后，我们认为这种方法的计算复杂性和其缩放作为一个功能的运动隆德平面切割，显示了一个数量级的速度比以前的基于图形的标记。
2021-02-11 cs.CV cs.LG hep-ex
Boosted top tagging via lepton-in-jet topology for vector-like quark searches in FCC-hh
Centre for High Energy Physics, Indian Institute of Science（印度科学学院高能物理中心）；Department of Physics, Indian Institute of Technology, Kanpur（坎普尔印度理工学院物理系）
本文提出机器学习框架，利用轻子-in-jet拓扑标记增强顶夸克，用于FCC-hh上矢量样B'夸克搜索，实现约7-10 TeV的5σ发现能力。
2026-10-06 hep-ex hep-ph
Improving robustness of jet tagging algorithms with adversarial training: exploring the loss surface
Center for Theoretical Physics, Sloane Physics Laboratory, Yale University（理论物理中心，斯洛恩物理实验室，耶鲁大学）；III. Physics Institute A, RWTH Aachen University（物理研究所A，亚琛工业大学）
研究通过对抗训练提升喷注标记算法鲁棒性，探索输入和模型对应的损失曲面几何解释，考虑相关性以提高模型稳定性。
2023-03-25 cs.AI cs.LG hep-ex
Search Strategies for TeV Scale Fermionic Top Partners with Charge 2/3
在TeV尺度上对费米子顶级伙伴的搜索将带来一个新的终态运动学机制和事件拓扑，其中运行I搜索策略将不可避免地失败。我们提出了具体的搜索策略，单产生的电荷2/3费米子顶级合作伙伴（$T'$）足够的LHC运行II。我们的分析跨越了所有的$T'$衰减模式（$i.e.$ $tZ$，$th$和$Wb$），我们提出了详细的讨论的搜索性能，信号效率和背景速率。我们的大型强子对撞机运行II搜索建议利用签名与大失踪的能量和轻子，以及喷气子结构可观的标记的增强重SM状态，定制的$b$标记策略和向前喷注标记。我们分析了在LHC运行II的部分复合夸克框架内发现和排除$T'$模型的前景。我们的研究结果表明，LHC运行II有良好的前景，观察$T'$模型预测的$σ_{T'} \sim 70 -140 \, (30 -65)$ fb的单产生截面$M_{T'} = 1\, (1.5)$ ~TeV分别与100 fb $^{-1}$的综合光度，取决于分支比的$T'$。同样地，我们发现$σ_{T'} \sim 27 -60\, (13 - 24)$ fb对$M_{T'} = 1\, (1.5)$ TeV的截面可以用相同的数据量排除。我们的结果是最低限度的模型依赖，并可以应用到大多数$T'$模型，其中$Γ_{T'} \ll M_{T'}$。
2015-07-23 hep-ex hep-ph
Boosted top quarks in supersymmetric cascade decays at the LHC
在大型强子对撞机中，一般的超对称级联可以成为顶夸克的来源。具体来说，第三代夸克和胶子是顶夸克的主要来源，也可以被提升。在这篇文章中，我们已经表明，喷流子结构算法可以非常有用的在识别这样的升压顶夸克的级联。我们取包含三个喷注加零轻子加丢失能量的末态，尝试用在LHC上有很好应用前景的top tag技术重建至少一个强子衰变的顶夸克。
2011-08-05 hep-ph
Pulling Out All the Tops with Computer Vision and Deep Learning
我们将计算机视觉与深度学习相结合--以卷积神经网络（CNN）的形式--来构建一个高效的增强型top tagger。以前的工作（Kasieczka等人的“DeepTop”标签）已经表明，基于CNN的顶部标签可以实现与基于高级输入的最先进的传统顶部标签相当的性能。在这里，我们介绍了DeepTop标签器的一些改进，包括架构，训练，图像预处理，样本大小和颜色像素。我们最终的CNN顶级标记器在广泛的标记效率和基准射流选择范围内，在背景抑制方面优于基于高级别输入的BDTs，其系数为$\sim 2$ -3或更多。作为参考点，我们在800- 900 GeV（350- 450 GeV）能量范围内用$p_T$对完全合并（非合并）的顶喷流进行了50%顶标记效率的QCD背景抑制因子为500（60）。我们的CNN也可以直接扩展到其他类型的喷流的分类，这里学到的经验教训可能对其他人设计自己的LHC应用的深度神经网络有用。
2018-02-28 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
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
JetParticle-JEPA: An Efficient Self-Supervised Representation Learning method for Jet Tagging in High-Energy Physics
GREYC, Normandy University, Unicaen, ENSICAEN, UMR CNRS 6072（GREYC，诺曼底大学，Unicaen，ENSICAEN，CNRS UMR 6072）；LPC, Normandy University, Unicaen, ENSICAEN, IN2P3, UMR CNRS 6534（LPC，诺曼底大学，Unicaen，ENSICAEN，IN2P3，CNRS UMR 6534）
提出JetParticle-JEPA，一种基于粒子Transformer的自监督联合嵌入预测架构，无需标记或重建原始输入，直接从连续粒子云学习物理有意义的喷注表示，在JetClass等基准上达到与全监督方法相当的性能，并在低标签场景下超越监督基线。
2026-06-16 cs.AI cs.LG hep-ph
Hollow cone sieve for top
介绍了一种顶部标注方法。使用anti-kt算法来定义喷射，具有nj = 2个圆锥尺寸R = 1.5的脂肪喷射的事件被分解成R = 0.6个子喷射，并且如果nj（R= 0.6）>= 4则被保留。一对子喷流重建W质量，另一个喷流被标记为b喷流，这对于tt起源的强子或半轻子事件是必要的。这种“空心锥”方法区分了tt事件和轻部分子QCD双射事件。
2011-02-15 hep-ex hep-ph
Autoencoders for unsupervised anomaly detection in high energy physics
Institute for Theoretical Particle Physics and Cosmology (TTK), RWTH Aachen University（亚琛工业大学理论粒子物理与宇宙学研究所（TTK））
自动编码器广泛用于机器学习应用，特别是异常检测。因此，它们已被引入高能物理作为一个有前途的工具，模型无关的新物理搜索。我们仔细研究了自动编码器在基于重建损失的无监督异常检测中的使用，以显示其功能，但也显示了其局限性。作为粒子物理的基准方案，我们研究了在QCD喷流图像背景下顶喷流图像的标记。虽然我们重现了文献中的积极结果，但我们表明，标准的自动编码器设置不能被认为是一个独立于模型的异常标记器，通过反转任务：由于稀疏性和喷射图像的特定结构，自动编码器无法标记QCD喷射，如果它在顶部喷射上训练，即使在半监督设置中。由于相同的autoencoder架构可以是一个很好的标签的一个特定的例子的异常和一个坏的标签为不同的例子，我们建议改进的性能措施的任务模型无关的异常检测。我们还提高了自动编码器的能力，以学习非平凡的喷流图像的功能，使它能够实现顶部喷流标记和反向任务的QCD喷流标记与相同的设置。然而，我们想强调的是，一个真正的模型独立和强大的基于自动编码器的无监督射流标记器仍然需要开发。
2021-04-19 cs.LG hep-ph physics.data-an
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
