Pairton：短寿命粒子的迭代重建
Pairton: Iterative Reconstruction of Short-Lived Particles
- University of Geneva（日内瓦大学）
- CERN（欧洲核子研究中心）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
该研究提出Pairton框架，将粒子重建转化为图结构掩码预测过程，结合Pairformer架构与全局事件一致性，在全强子化顶夸克对衰变任务上达最优性能，为粒子重建提供通用范式。
AI中文摘要：
我们提出了Pairton，一种用于重建高能碰撞事件中短寿命粒子的迭代框架。通过将粒子重建表述为图结构上的掩码预测过程，Pairton学习与衰变产物因子分解一致的条件分布，并迭代预测代表粒子衰变关系的邻接矩阵中的边。利用基于Pairformer的架构及动态更新的成对表示，该方法融入了全局事件一致性。我们在全强子化顶夸克对（$t\bar{t}$）衰变任务上展示了最先进的性能。Pairton为粒子重建提供了通用灵活的范式，可轻松扩展至其他拓扑结构，衔接了现代生成式建模与高能物理的思想。
英文摘要：
We present Pairton, an iterative framework for reconstructing short-lived particles in high-energy collision events. By formulating particle reconstruction as a masked prediction process over graph structures, Pairton learns conditional distributions consistent with a factorised decomposition of decay products and iteratively predicts edges in the adjacency matrix representing particle decay relationships. Leveraging a pairformer-based architecture with dynamically updated pairwise representations, our method incorporates global event consistency. We demonstrate state-of-the-art performance on fully hadronic $t\bar{t}$ decays. Pairton provides a general, flexible paradigm for particle reconstruction and can be readily extended to other topologies, bridging ideas from modern generative modelling and high-energy physics.
