Reconstructing short-lived particles using hypergraph representation learning

在位于瑞士与法国边境地下的巨大环形磁体装置——大型强子对撞机内部，科学家们让质子以接近光速的速度相互碰撞。这些碰撞重现了宇宙诞生之初那炽热的能量，从而产生了一连串新的粒子。其中大多数粒子质量巨大且寿命极短，几乎在瞬间就会衰变为更稳定的碎片喷流。为了理解自然界的根本规律，物理学家必须从这些碎片中重建原始的、转瞬即逝的粒子，这就像法医专家试图通过检查散落的碎片来推断一个破碎花瓶的形状一样。挑战在于碎片的数量极其庞大；当重粒子衰变时，它们通常会产生多达20个“喷注”（jets）——即向特定方向飞出的窄粒子流。弄清楚哪些喷注来自于哪个母粒子是一个复杂度惊人的谜题，尤其是当碎片中包含那些在探测器中不留痕迹的不可见粒子时。

曼彻斯特大学的一个研究小组开发了一种解决这一谜题的新方法，该方法不将碰撞数据视为简单的粒子列表，而是将其视为一个复杂的关联网络。他们将这种方法称为 HyPER。HyPER 不再孤立地观察粒子或仅仅观察粒子对，而是使用一种被称为“超图”（hypergraph）的数学结构来理解一组粒子是如何同时相互连接的。在标准方法中，计算机可能会尝试将粒子 A 与粒子 B 联系起来，然后再将粒子 B 与粒子 C 联系起来，从而一步步构建链条。然而，HyPER 可以同时观察一整组粒子，并询问：“这三个特定的粒子是否共同构成了一个单一的母粒子？”这种视角的转变使得系统能够看到更简单的方法所忽略的模式，特别是在粒子数量非常高的事件中。

研究人员在一个特定的碰撞类型上测试了这个新系统，在这种碰撞中，一对顶夸克（已知最重的基本粒子）完全衰变为喷注。在这种情景下，两个顶夸克分解为六个夸克，随后转化为六个喷注，外加由剧烈碰撞产生的任何额外喷注。目标是正确识别哪三个喷注属于一个顶夸克，以及哪三个属于另一个。团队在数百万次模拟碰撞上训练了 Hy-PER 模型，教会它识别正确的组合。随后，他们将它与目前物理学家使用的两种最先进的方法进行了对决。结果显示，HyPER 能够在 67% 的事件中正确重建母粒子，优于其他成功率约为 65% 和 64.5% 的方法。

这项成就之所以特别显著，不仅在于准确性的微幅提升，更在于其实现的效率。HyPER 模型非常精简，仅包含约 3,450 个可训练参数。相比之下，竞争模型需要数百万个参数才能运行。为了直观理解，这个新模型包含的参数比其中一个现有工具少 20 倍，却能提供更好的结果。这种效率至关重要，因为这意味着该模型不太可能出现“过拟合”现象（即记住训练数据而非学习底层物理规律），并且运行所需的计算能力也远低于其他模型。研究人员发现，即使减少可用训练数据的量，HyPER 仍然是最准确的工具，这表明它足够鲁棒，能够处理稀有物理搜索中常见的有限数据集。

HyPER 的成功为研究粒子物理学中更加复杂和罕见的事件打开了大门。由于该系统旨在处理任意大小的粒子组，它最终可以用于重建衰变为四个、五个或更多喷注的粒子。虽然目前的研究重点是缺少中微子的全强子衰变，但研究人员指出，未来的工作旨在扩展该方法，以包括对末态中微子运动学的重建。研究人员证明了该方法在顶夸克对这一特定案例中表现良好，但其底层方法具有足够的灵活性，可以应用于广泛的物理过程。通过提供一种更强大、更高效的方式来可视化粒子间的关系，HyPER 提供了一个新的工具，用以窥探宇宙的基本结构，帮助科学家从已知世界的背景噪声中分辨出新物理学的信号。