Combinatorial Residual Network: a decay-chain-aware classifier without explicit jet assignment
本文介绍了组合残差网络（CoReNet），这是一种高效且轻量化的分类器，它通过将衰变链层级结构直接编码进其架构中，在无需显式生成器级标签的情况下解决了喷注分配的组合问题，并在多种重粒子末态中实现了与规模大得多的 Transformer 模型相媲美的性能。
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
在大型强子对撞机繁忙的核心地带，质子以接近光速的速度发生碰撞，物理学家们正在那里搜寻宇宙中最罕见的事件。当重粒子发生衰变时，它们通常会破碎成被称为“喷注”（jets）的小粒子喷流。挑战不仅在于看到这些喷注，还在于理解哪些喷注属于同一个整体。想象一个房间里，十几个人刚刚把他们的外套扔进了一个堆在一起的堆里；为了弄清楚谁穿了哪件外套，你必须尝试所有可能的衣物与主人的匹配组合。在粒子物理学中，随着更多喷注的出现，这种匹配问题会呈爆炸式复杂化。如果一个重粒子衰变为四个喷注，那么将它们分组的方式会有数十种，而其中大多数分组都是错误的。多年来，科学家们一直依赖复杂的计算机程序来猜测正确的分组，然后才能开始分析数据，这个过程既缓慢又容易出错。
卡内基梅隆大学的一个研究小组开发了一种解决这一谜题的新方法，这种方法完全跳过了“猜谜”的过程。他们创建了一个名为“组合残差网络”（Combinatorial Residual Network，简称 CoReNet）的专用计算机程序，该程序旨在理解粒子衰变的结构，而无需预先决定哪个喷注属于哪个母粒子。该网络并非强迫计算机从一系列可能性中挑选出一个“正确”答案，而是同时观察每一种可能的组合。它会对每种可能性进行加权，学习哪些组合包含了最有用的信息，并将它们结合成一个关于该事件是新物理信号还是仅仅为背景噪声的单一且强力的判断。这种方法非常高效，所需的计算能力仅为以往方法的一小部分，同时能提供同样准确的结果。
研究人员在一种特定且困难的情景下测试了他们的新工具：希格斯玻色子对（Higles boson pairs）的产生，已知这类粒子会衰变为四个底夸克喷注。这是一个经典的“大海捞针”问题，信号被埋没在大量的普通粒子碰撞之中。在模拟实验中，这个新网络能够以极高的成功率将希格斯玻色子对从背景中区分出来，其表现优于以往依赖于人工选取喷注测量值的旧方法。令这一结果尤为引人注目的是该网络的规模。新工具只有不到两千个可调参数，而此前用于此项任务的最先进系统则拥有数十万个参数。这有点像通过理解墙壁的形状来解决复杂的迷宫问题，而不是拿着一张巨大的地图去尝试每一条路径。
这种设计的精妙之处在于它模仿了衰变的物理现实。该网络的构建具有一种层级结构，遵循着粒子破碎的步骤，从最初的喷注一直到最终的母粒子。它不需要被告知哪些喷注是“正确”的；它只是评估每一个逻辑分组，并学习哪些分组有助于它将信号与噪声分离。在测试中，尽管从未被明确教导如何做，该网络仍能在存在正确答案的情况下，在约百分之八十一的案例中识别出正确的分组。这表明，该网络通过执行其分类任务，自然而然地发现了底层的物理结构。
研究人员还展示了这种方法处理更复杂情景的灵活性，例如当一个粒子衰变为喷注与其他粒子（如电子或缺失能量）的混合物时。在这种情况下，他们能够将信号和背景的衰变模式都编码进网络的结构中。这使得系统能够利用背景自身的结构来对抗它，从而进一步提高搜索的准确性。整个系统的训练在单张图形显卡上仅需几分钟即可完成，这与以往庞大得多、需要数小时的系统形成了鲜明对比。这种速度和效率意味着此类工具最终可以用于实验的实时过程中，帮助科学家在碰撞发生时即时做出决定，判断哪些碰撞值得保留，哪些应该丢弃。
最终，这项工作表明，将关于物理世界的特定知识直接融入计算机程序的设计之中，比单纯向问题投入更多的数据和更复杂的模型更为强大。通过尊重粒子衰变的对称性和层级结构，研究人员创造了一个不仅更快、更小，而且更有效的工具，用以寻找那些可能揭示新自然法则的罕见事件。这种方法的成功为粒子物理学指明了一条新的道路，即分析工具本身的架构本身就成为了理解宇宙的指南。
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。