⚛️ high-energy experiments

ResoSeg: Resonance Tagger using Transformer and Segment Model

该论文介绍了 ResoSeg，这是一种结合了 Transformer 和分割技术的新型深度学习模型，用于执行联合粒子级分割和事件级分类以进行共振态标记，并证明了与传统方法相比，该模型在重建 BESIII 实验中的 $\eta_c$ 衰变方面具有显著提高的效率和泛化能力。

原作者： Chunkai Li, Junhao Yin, Ke Li, Jingde Chen

发布于 2026-09-14

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Chunkai Li, Junhao Yin, Ke Li, Jingde Chen

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在亚原子世界中，物质是由一群转瞬即逝的粒子构成的“动物园”，它们在眨眼之间出现又消失。物理学家将这些稍纵即逝的实体称为“共振态”（resonances）。它们不像质子或电子那样是稳定的构建模块；相反，它们是几乎瞬间衰变为其他粒子的中间状态。为了理解自然界的基本力，科学家必须捕捉到这些粒子的踪迹，准确识别出哪些碎片来自于哪一个母体。这项任务就像是试图从一间堆满了其他破碎物品的房间里，从一堆混合的陶器碎片中重建出一个特定类型的破碎花瓶。几十年来，研究人员一直依赖于一种一次分类处理这些碎片的策略，通过检查是否符合已知的衰变路径来寻找特定的模式。虽然这种方法行之有效，但它速度缓慢，并且因为无法同时观察全局而错失了许多机会。

南开大学与高能物理研究所的一个研究小组现在引入了一种解决这一难题的新方法，这种方法改变了科学家分析这些碰撞的方式。他们开发了一个名为 ResoSeg 的计算机模型，它就像一个高水平的观察者，能够观察整个事件并立即做出两项决定：该事件是否包含他们正在寻找的粒子，以及在数十个产生的粒子中，究竟哪一个精确地来自那个特定的母体。该模型不再是一个接一个地检查特定模式，而是学习如何同时识别母体粒子在其所有可能衰变路径中的独特“指纹”。这使得他们能够在一次处理中重建粒子生命的完整故事，捕捉到以往方法会丢弃或完全忽略的数据。

研究人员使用来自 BESIII 实验的数据对该系统进行了测试，BESIII 是中国的一个大型探测器，负责记录电子与正电子之间的碰撞。他们专注于一种特别困难的粒子——eta-c，这是一种以具有数百种不同衰变方式（其中大多数极其罕见）而闻名的粲夸克（charmonium）类型。由于该粒子不存在单一的主导衰变方式，传统方法不得不只关注其中十六条最常见的路径，而忽略了其余路径。然而，新模型经过训练，能够观察粒子在探测器中留下的每一条轨迹，并为其分配一个标签：它是来自 eta-c，还是来自事件中的其他东西，亦或是仅仅属于背景噪声？通过这种方式，即使在 eta-c 以旧方法无法识别的方式进行衰变时，该模型也能对其进行重建。

结果令人瞩目。当研究人员在不同的能量水平下将新模型与标准方法进行对比时，新系统的信号发现效率提高了两倍以上。简单来说，它找到的 eta-c 粒子数量是旧方法能识别数量的两倍多，同时保持了同样低的背景噪声。这种提升不仅仅是为了获得更多的数字，更是为了以更高的精度获取粒子属性（如质量和能量）的完整图像。该模型还表现出了灵活性。它能够在从未见过的能量点上工作，并且只需少量的额外训练，即可被调整用于研究同一粒子的不同产生链。

为了确保模型不仅仅是在记忆数据，团队通过稍微改变模拟粒子的属性（如质量或宽度）来测试其鲁棒性。模型保持了稳定性，即使在条件发生变化时仍能保持准确表现。这表明该系统学习的是粒子行为的底层物理机制，而不仅仅是识别训练数据中的特定模式。研究人员还证明了该模型能够在复杂的混合数据集中将信号从背景中分离出来，这是现实物理分析中的关键步骤，因为信号通常深埋在大量的其他事件之中。

这项工作代表了高能物理实验进行方式的一种转变。通过从“逐通道”的方法转向“统一、全方位”的分析，研究人员为研究此前难以分离的稀有衰变模式打开了大门。该模型具有通用性，可以应用于其他粒子和其他实验，特别是在背景噪声较低但对统计精度要求极高的轻子对撞机实验中。该模型的源代码已向科学界开放，邀请他人在此基础上进行构建。随着物理学家继续寻找奇异形式的物质并测试标准模型的极限，像这样的工具为他们提供了一个更清晰、更高效的透镜，用以观察这个不可见的共振态微观世界。

技术摘要：ResoSeg —— 基于 Transformer 与分割模型的共振态标记器

问题陈述
在高能物理实验中，特别是在像 BESIII 这样的轻子对撞机实验中，识别和重建中间共振态（例如 $\eta_c$ 、 $J/\psi$ ）对于绘制强子谱图谱和寻找奇异物质至关重要。虽然深度学习模型（如 Particle Transformer (ParT)、SPANet 和 GN3）在事件级分类和物体标记（object tagging）方面已经达到了最先进的性能，但它们存在一个根本性的局限：它们无法提供关于粒子相对于中间共振态来源的逐迹（per-track）信息。因此，依赖这些模型的分析仍然需要专门针对特定衰变道的重建算法，以确定目标共振态的四维动量。这种逐通道的方法效率低下，特别是对于像 $\eta_c$ 介子这样拥有数百个可能衰变道、分支比极小且没有单一主导模式的粒子，传统的重建方法对于“共振态到任意物”（resonance-to-anything）的衰变是不切实际的。

方法论
作者提出了 ResoSeg（Resonance Segmenter，共振态分割器），这是一个统一的深度学习模型，能够同时进行粒子级分割和事件级分类。该架构集成了两个主要组件：

编码器（受 ParT 启发）： 模型利用粒子嵌入层（Particle Embedding layer）和对嵌入层（Pair Embedding layer）来处理输入轨迹及其相互作用。它采用粒子注意力块（由带有 SwiGLU 激活函数的 ParT 修改而来），将轨迹编码到高维潜空间中。至关重要的是，相互作用特征通过贝叶斯优化进行了优化，选择了四个特征子集（ $M^2$ 、 $RM^2$ 、 $Q$ 、 $k_t$ ），这些特征能够捕捉局部轨迹对的运动学以及全局事件级的质心系上下文。
解码器（受 SAM 启发）： 借鉴了分割一切模型（Segment Anything Model, SAM），解码器使用双向注意力机制（Two-Way Attention mechanism）。它获取编码后的粒子特征，并使其与可学习的“事件标记”（Event Tokens）和“掩码标记”（Mask Tokens）进行交互。掩码标记为每条轨迹生成语义标签，而事件标记则为整个事件生成评分。这使得模型能够同时确定一个事件是否包含信号过程，并为每条重建轨迹分配语义类别（例如：伪造/背景、来自共振态的真实轨迹，或非来自共振态的真实轨迹）。

模型在为过程 $e^+e^- \to \pi^+\pi^-h_c, h_c \to \gamma\eta_c, \eta_c \to \text{anything}$ 构建的 BESIII- $\eta_c$ 数据集上进行训练。用于监督学习的真实标签是通过最小化重建质量与真实质量之间差异的真值匹配算法（Truth-Matching Algorithm）生成的。总损失函数是交叉熵损失（用于事件分类）和分割损失的线性组合。

核心贡献

首次应用分割技术： 本研究首次将语义分割应用于高能物理中的共振态标记，实现了直接识别哪些轨迹源自特定的中间共振态。
统一的一步式分析： ResoSeg 实现了单次推理即可重建“共振态到任意物”的衰变链，消除了对每个衰变道都需要单独重建算法的需求。
优化的相互作用特征： 作者证明了特定的相互作用特征，特别是那些结合了全局运动学上下文（ $RM^2$ ）的特征，在夸克偶素重建方面显著优于标准的喷注标记（jet-tagging）特征。
泛化能力： 该模型设计具有通用性，可以通过迁移学习在不改变架构的情况下适应其他共振态和产生模式。

实验结果
模型在 BESIII- $\eta_c$ 数据集和包含性蒙特卡洛（inclusive MC）测试集上进行了评估：

相对于传统方法的性能： 在能量点范围为 4.19 至 4.60 GeV 的区间内，ResoSeg 实现的平均综合重建效率比仅限于 16 个特定衰变道的传统方法高出 2.6 倍以上。
事件级分类： Reso-Seg 在区分信号事件与背景事件方面达到了 97.31% 的准确率和 98.84% 的召回率，与 ParT 基准模型相当。
粒子级分割： 模型实现了 87.91% 的高完美匹配率（PMR），以及 96.12%（针对来自 $\eta_c$ 的轨迹）和 95.20%（针对非来自 $\eta_c$ 的轨迹）的平均交并比（IoU）得分。
背景抑制： 在复杂的包含性 MC 测试集中，ResoSeg 展示了优于 ParT 的背景抑制能力，在保持高信号效率的同时，显著降低了背景误标记率。
鲁棒性与泛化性： 该模型对 $\eta_c$ 的质量、宽度和分支比的变化保持鲁棒。它还成功地推广到了未见过的能量点（外推），并通过仅需 300,000 个训练事件的迁移学习，适应了不同的产生模式（ $\psi(2S) \to \gamma\eta_c(2S)$ ）。

意义与主张
作者声称，ResoSeg 代表了共振态分析的一种范式转变，将工作流程从特定通道的重建转变为通用的、具备共振态感知能力的分析方法。通过提供逐迹的语义标签，该模型能够实现中间共振态全四维动量的精确重建，而不依赖于特定衰变道的算法。这种能力大幅增加了“共振态到任意物”衰变的可用信号统计量，这对于研究具有复杂衰变拓扑结构的粒子（如 $\eta_c$ ）尤为重要。作者认为，这种方法可以扩展到其他共振态（如 $J/\psi$ 、 $B$ 介子）和其他实验（如 Belle II、LHCb），从而有望增强对奇异强子候选者的测量灵敏度，并推动诸如粒子物理基础模型等新分析策略的发展。

类似论文