[논문 리뷰] Lorentz Group Equivariant Neural Network for Particle Physics

Alexander Bogatskiy, Brandon Anderson외 4명|arXiv (Cornell University)|2020. 06. 08.

Computational Physics and Python Applications참고 문헌 46인용 수 68

한 줄 요약

유도자 로렌츠 그룹 등가 신경망(LGN)이 유한 차원 로렌츠 표현과 Clebsch-Gordan 분해를 이용해 구축되었고, 제트 구성요소의 에너지-모멘텀에 적용되어 톱 쿼크 태깅에 활용된다. 이 접근법은 공공 데이터셋에서 경쟁력 있는 성능을 보이는 간결하고 해석 가능한 모델을 산출한다.

ABSTRACT

We present a neural network architecture that is fully equivariant with respect to transformations under the Lorentz group, a fundamental symmetry of space and time in physics. The architecture is based on the theory of the finite-dimensional representations of the Lorentz group and the equivariant nonlinearity involves the tensor product. For classification tasks in particle physics, we demonstrate that such an equivariant architecture leads to drastically simpler models that have relatively few learnable parameters and are much more physically interpretable than leading approaches that use CNNs and point cloud approaches. The competitive performance of the network is demonstrated on a public classification dataset [27] for tagging top quark decays given energy-momenta of jet constituents produced in proton-proton collisions.

연구 동기 및 목표

• 고에너지 물리학 데이터에 기본 로렌츠 대칭성을 신경망에 도입하도록 동기를 부여한다.
• 유한 차원 표현을 사용하여 로렌츠 변환에 대해 완전히 등가인 아키텍처를 개발한다.
• CNN 및 점구성 방법과 비교해 매개변수 효율성과 해석가능성을 보여준다.
• 공개 제트 에너지-모멘텀 분류 데이터셋에 모델을 적용하여 톱 쿼크 붕괴를 태깅한다.

제안 방법

• 모델의 등가성을 보장하기 위해 로렌츠 그룹의 유한 차원 표현을 사용한다.
• 텐서 곱과 Clebsch-Gordan 분해를 활용해 로렌츠 등가 비선형성을 구축한다.
• 동형성 성분(Clebsch-Gordan) 블록과 블록당 행렬로 등가 선형 변환을 매개변수화한다.
• 활성화가 로렌츠 표현에 존재하고 불변량이 최종 출력을 이끈는 아키텍처를 훈련한다.
• 이 접근법을 SL(2,C) 및 SO+(1,3) 표현에 적용 가능한 등가 보편 근사 프레임워크에 기반한다.

실험 결과

연구 질문

• RQ1 로렌츠 그룹 등가 네트워크가 로렌츠 불변 입력과 등가 처리만을 사용하여 톱 쿼크 태깅에서 경쟁력 있는 성능을 달성할 수 있는가?
• RQ2 로렌츠 등가성을 강제하는 것이 비등가 기준선에 비해 모델 규모, 해석가능성 및 학습 효율성에 어떤 영향을 미치는가?
• RQ3 제트 에너지-모멘텀 데이터로 로렌츠 불변량 및 등가량 학습을 위해 Clebsch-Gordan 분해를 활용하는 실용적 이점은 무엇인가?

주요 결과

• LGN 아키텍처는 설계상 로렌츠 그룹에 대해 완전히 등가이다.
• 텐서 곱 및 Clebsch-Gordan 분해가 로렌츠 등가 학습의 비선형 및 선형 구성 요소를 제공한다.
• 표현 기반 설계는 CNN이나 포인트-클라우드 접근법에 비해 학습 가능한 매개변수가 상대적으로 적고 물리적 해석 가능성이 향상된 모델을 산출한다.
• 공개 KasPleThRu19 데이터셋에서 제트 구성요소의 에너지-모멘텀을 이용한 톱 쿼크 태깅에 대해 이 방법을 시연했고, 경쟁력 있는 성능을 보인다.