用于在高亮度LHC上识别强子衰变τ轻子的异构图神经网络
Heterogeneous Graph Neural Network for Identifying Hadronically Decayed Tau Leptons at the High Luminosity LHC
AI总结：
本研究提出一种基于异构图神经网络的τ喷注识别算法，无需τ轻子重建，将喷注表示为径迹和能量簇节点构成的异构图，采用差分信息作节点特征与异质序列偏置编码，可区分强子衰变τ喷注与夸克/胶子喷注，适用于高亮度LHC实验。
摘要：
我们提出了一种新算法，用于识别源自τ轻子强子衰变的重建喷注，将其与夸克或胶子产生的喷注区分开。该算法未使用任何τ轻子重建算法。相反，它将喷注表示为以径迹和能量簇为节点的异构图，并训练图神经网络（GNN）从其他喷注中识别τ喷注。研究探索了不同的属性图表示和不同的GNN架构。我们提出使用差分径迹和能量簇信息作为节点特征，并采用异质序列偏置编码对输入进行处理，以完成最终的图级分类。
英文摘要：
We present a new algorithm that identifies reconstructed jets originating from hadronic decays of tau leptons against those from quarks or gluons. No tau lepton reconstruction algorithm is used. Instead, the algorithm represents jets as heterogeneous graphs with tracks and energy clusters as nodes and trains a Graph Neural Network to identify tau jets from other jets. Different attributed graph representations and different GNN architectures are explored. We propose to use differential track and energy cluster information as node features and a heterogeneous sequentially-biased encoding for the inputs to final graph-level classification.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
