Pairton: Iterative Reconstruction of Short-Lived Particles

技术摘要：Pairton —— 短寿命粒子的迭代重建

问题陈述
在高能物理领域，特别是在大型强子对撞机（LHC）中，从其衰变产物中重建短寿命粒子（例如顶夸克、希格斯玻色子）是一个关键挑战。在具有高粒子多重度的复杂事件中（例如顶夸克对 $t\bar{t}$ 的全强子衰变），组合背景非常显著。传统方法（如基于似然性的算法，例如 KLFitter）依赖于评估所有可能的探测喷注组合，随着喷注多重度的增加，这会变得计算成本极高且容易出错。虽然近期的机器学习方法（如 SPANet、Topograph、HyPER、TIGER）提高了性能，但仍需要能够有效处理衰变链的层次结构以及全局事件一致性，且不依赖于僵化的拓扑假设或固定的掩码策略的框架。

方法论
作者提出了 Pairton，这是一个将粒子重建重新表述为部分观测图上的结构化概率推理问题的迭代框架。

1. 图表示：
   事件被建模为一系列图的集合，其中节点代表探测到的喷注，边代表衰变关系。具体而言，为粒子类型 $\alpha \in \{W, t\}$ 定义了邻接矩阵 ($A^\alpha$)。如果喷注 $i$ 和 $j$ 是粒子 $\alpha$ 的衰变产物，则存在一条边 $(i, j)$。自环表示未与特定粒子类型关联的喷注。这种表示法允许将结构分配视为动态的成对边特征。

2. 因子化概率公式：
   重建任务被定义为寻找将喷注分配给 $W$ 玻色子和 $b$ 夸克的概率最大化过程。联合概率分布被分解为条件概率：
   $$P(W_1, W_2, b_1, b_2 | x) = P(W_1 | x) \times P(W_2 | W_1, x) \times P(b_1, b_2 | W_1, W_2, x)$$
   这种分解镜像了物理衰变的层次结构，允许模型通过以先前推断的结构为条件来迭代地预测边。

3. 离散扩散与掩码去噪：
   受自然语言处理中使用的吸收态离散扩散模型的启发，Pairton 将重建框架化为一个逆向去噪过程。

   • 前向过程： 一个层次化的马尔可夫链分步骤对邻接矩阵进行掩码处理：首先揭示两个 $W$ 玻色子，然后是一个 $W$，最后是一个都没有。这种特定的破坏方案遵循 $t\bar{t}$ 衰变的物理拓扑，确保中间状态具有明确的物理解释。
   • 训练： 模型 $f_\theta$ 被训练为在给定观测到的结构和喷注特征的条件下，预测邻接矩阵中的掩码条目。目标函数是掩码条件似然（二元交叉熵损失）。
   • 推理： 重建过程从完全掩码的状态开始。模型预测边，更新可见的邻接矩阵，并使用更新后的结构来约束后续的预测，从而有效地逆转掩码过程。

4. 模型架构：
   Pairton 使用了改编自 AlphaFold3 的 Pairformer 架构。与使用固定成对表示的标准 Transformer 或 Particle Transformer (ParT) 不同，Pairformer 会动态更新成对特征。

   • 输入： 喷注特征（能量、$p_T$、$\eta$、$\phi$、$b$-tag 状态）和成对特征（双喷注不变质量、$\Delta\eta$、$\Delta\phi$、$\Delta R$）。
   • 机制： 该架构通过源自成对特征的可学习偏置项来增强注意力分数（$S_{ij} = \frac{q_i \cdot k_j}{\sqrt{d}} + b_{ij}$）。这使得模型能够无缝地整合所有喷注之间的关系状态，而无需在更高阶张量上进行复杂的消息传递。

核心贡献

• 迭代图重建： 引入了一种范式，将粒子重建视为在图结构上的迭代掩码预测过程，利用了衰变链的层次特性。
• 高能物理中的离散扩散： 将吸收态离散扩散（此前用于大语言模型）应用于高能物理，超越了固定的速率掩码（BERT 式）或自回归（GPT 式）方法。
• 动态成对表示： 证明了 Pairformer 架构在该领域的有效性，其中动态更新的成对边特征显著优于静态表示。
• 通用框架： 提供了一个灵活的方法，可以扩展到 $t\bar{t}$ 系统之外的其他拓扑结构。

结果
该方法在 $\sqrt{s} = 13$ TeV 的 $6 \times 10^7$ 个模拟全强子 $t\bar{t}$ 事件数据集上进行了评估。性能通过全事件（$\epsilon_{t\bar{t}}$）、顶夸克（$\epsilon_t$）和 $W$ 玻色子（$\epsilon_W$）的重建效率 ($\epsilon$) 来衡量。

• 最先进的性能（SOTA）： Pairton 在所有喷注多重度下均优于现有方法（SPANet、Topograph、HyPER）。
  • 包含性全事件效率： Pairton 达到了 0.6944，相比之下，HyPER 为 0.670，Topograph 为 0.645，SPANet 为 0.651。
  • 高多重度情况： 改进在 $\ge 8$ 个喷注的事件中最为显著，此时 Pairton 的全事件效率达到 0.5459，明显高于 HyPER (0.513) 和 SPANet (0.487)。
• 质量依赖性： Pairton 在不变质量谱（$m_{t\bar{t}}$）上始终优于竞争对手，在重建难度最大的低质量区域观察到了最大的增益。
• 消融实验：
  • Pairformer 架构比标准 Transformer 提供了约 5% 的绝对效率提升。
  • 三步迭代生成过程优于单步预测和基于超边（hyperedge）的模型。
  • 仅仅通过增加模型深度以匹配迭代过程的计算成本并不能获得类似的增益，这证实了迭代约束的价值。

意义与主张
论文声称 Pairton 通过将现代生成模型（特别是离散扩散和迭代推理）与高能物理相结合，建立了一个全新的、通用且灵活的粒子重建范式。

作者强调，其意义在于：

1. 全局一致性： 通过以先前推断的结构为条件，模型能够以概率合理的方式自然地纳入全局事件一致性约束。
2. 拓扑灵活性： 虽然目前的实现专注于层次化的 $t\bar{t}$ 衰变，但离散扩散公式允许任意的加噪过程，使其能够适应更复杂的拓扑结构（例如 $t\bar{t}H$），在这些结构中，预测顺序可能是可互换的。
3. 性能： 该方法在全强子 $t\bar{t}$ 基准测试中实现了最先进的结果，特别是在具有挑战性的高多重度环境中，证明了迭代图重建是理解事件的强大工具。

这项工作并不声称解决了所有的重建问题，而是将其定位为一个稳健的框架，可以很容易地扩展到涉及短寿命粒子的其他末态。