Self-Supervised Learning for Robust Resonance Mass Regression in Cascade Decays
本文提出了一种利用 VICReg 和 Transformer 编码器在受损数据上进行预训练的自监督学习框架，证明了与传统的监督训练相比，该方法在复杂级联衰变中能够实现更鲁棒且更准确的重共振质量重建。
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
在那些物理学家通过碰撞粒子来理解宇宙的广阔、高速实验室中，最终目标往往是寻找那些本不该存在的东西。这些实验（如在大型强子对撞机等设施中进行的实验）本质上是巨大的、超灵敏的照相机，旨在捕捉碰撞产生的瞬时碎片。当两个粒子以接近光速的速度碰撞时，它们可以短暂地形成一个沉重且不稳定的粒子，随后该粒子会立即破碎成一簇更小、更轻的碎片。通过测量这些碎片的能量和方向，科学家可以进行逆向计算，从而推算出原始不可见粒子的质量。这种计算是发现新物理学的关键，但这是一个脆弱的过程。记录这些碰撞的探测器并非完美无缺；它们有时会遗漏拼图中的碎片，误算碎片的能量，或者将一种粒子类型误认为另一种。这些被称为系统不确定性的微小误差，可能会模糊最终的图像，将新物理学清晰、独特的信号变成模糊、无法辨认的痕迹。
来自宾夕法尼亚大学和京都大学的一个研究小组开发了一种新的方法，即使在数据混乱的情况下也能使图像变得更加清晰。他们解决了一个特定的挑战：如何准确测量一个衰变为由十一个不同部分组成的复杂云团（其中一些部分完全逃脱了探测）的重型假设粒子的质量。过去，科学家依靠使用带标签样本进行训练的计算机模型来进行这些测量。然而，由于这些模型在训练期间只见过“完美”的数据，因此在面对现实世界的缺陷时往往会失效。为了解决这个问题，研究人员转向了一种称为自监督学习的技术。他们并没有通过向计算机展示正确答案来教它，而是通过让它接触成千上万个相同事件的损坏版本，来教它识别数据的底层结构。计算机学会了忽略噪声并专注于核心模式，从而有效地成为了能够看穿失真的专家。
研究人员在代表一个质量范围在 2.5 到 6.5 万亿电子伏特之间的重型粒子的模拟数据集上测试了他们的方法，这一规模远比目前已知的任何粒子都要重。这个粒子被设想为以级联方式衰变，分解为一个胶子、八个轻夸克、一个带电轻子和一个仅以缺失能量形式被记录而逃逸探测器的中微子。为了准备他们的 AI，团队首先向其输入了数百万个此类碰撞事件，而没有告诉它母粒子的质量。在这一阶段，他们刻意在数据中引入了真实的误差，模拟真实探测器可能犯下的错误。他们随机移除了一些粒子，改变了其他粒子的测量能量，模糊了角度，甚至交换了粒子的身份，以观察 AI 是否仍能识别出整个事件。目标是迫使 AI 构建一个无论受到何种破坏都能保持稳定的心理地图。
一旦 AI 学会了这种稳健、抗干扰的观察数据的方式，研究人员随后利用少量的带标签数据对其进行微调，以执行实际的质量回归任务。他们将这种新方法与在相同受损数据上从头开始训练的传统模型进行了对比。结果显示，自监督方法具有明显的优势。虽然两种模型都能预测粒子的平均质量，但新模型产生的测量结果更加清晰和精确。在粒子物理学领域，更清晰的测量意味着数据中更窄的峰值，这使得将真实的发现与背景噪声区分开来变得容易得多。即便在数据受到严重扭曲时，新模型仍能保持这种精确度，而传统模型的性能则随着误差的增加而下降。
这项研究表明，通过在学习答案之前先学会忽略噪声，AI 可以以在所有测试场景中都保持一致且更优的解析度来重建重共振态的质量。当研究人员应用标准校正以解决平均预测中存在的轻微偏差时，新模型仍然优于传统模型，将重建质量的宽度缩小了 11% 到 36%（取决于存在的误差类型）。这种提升至关重要，因为寻找新物理学的灵敏度直接取决于信号表现得有多清晰。一种能够在不完美的探测器下提供更纯净信号的方法，为未来的实验提供了强大的新工具。研究人员指出，尽管他们的工作是在模拟数据上进行的，但这种方法为处理高能物理中复杂、混乱的现实情况提供了一条可行的路径，可能允许科学家发现那些此前隐藏在探测器缺陷造成的模糊之中的新粒子。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。