[论文解读] Deep-learned Top Tagging using Lorentz Invariance and Nothing Else

Anja Butter, Gregor Kasieczka+2 more|arXiv (Cornell University)|Jul 27, 2017

Particle physics theoretical and experimental studies被引用 5

一句话总结

本文提出了一种用于高能顶夸克的深度神经网络标记器，该标记器利用洛伦兹向量和闵可夫斯基度量来处理量能器和追踪数据。通过将洛伦兹不变性作为基本归纳偏差，该方法在高Boost区域相较于QCD启发式和基于图像的方法表现出更优的性能。

ABSTRACT

We introduce a new and highly efficient tagger for hadronically decaying top quarks, based on a deep neural network working with Lorentz vectors and the Minkowski metric. With its novel machine learning setup and architecture it allows us to identify boosted top quarks not only from calorimeter towers, but also including tracking information. We show how the performance of our tagger compares with QCD-inspired and image-recognition approaches and find that it significantly increases the performance for strongly boosted top quarks.

研究动机与目标

• 开发一种在高能物理中用于高Boost顶夸克的高效顶夸克标记器。
• 在深度学习中利用洛伦兹不变性作为结构归纳偏差，以提升泛化能力和性能。
• 在一个统一的深度学习框架中整合量能器和追踪信息，以提升标记精度。
• 在高度Boost的区域超越现有的QCD启发式和基于图像识别的标记方法。

提出的方法

• 该模型以喷注的原始洛伦兹向量作为输入，保留了四维动量信息。
• 它采用闵可夫斯基度量，以确保网络内部表征的洛伦兹不变性。
• 该架构被设计为可同时处理量能器阵列数据和追踪信息。
• 网络通过端到端学习训练，以识别强子衰变的顶夸克。
• 该方法避免使用基于图像的表示，而是依赖几何不变性原理。

实验结果

研究问题

• RQ1 能否在深度神经网络中有效编码洛伦兹不变性作为顶夸克标记的归纳偏差？
• RQ2 基于洛伦兹不变性的深度学习方法与QCD启发式和基于图像的标记方法相比表现如何？
• RQ3 在高Boost区域，整合追踪信息在多大程度上提升了顶夸克标记性能？
• RQ4 在不进行图像转换的情况下，直接使用原始洛伦兹向量是否能带来更好的泛化能力和精度？

主要发现

• 所提出的标记器在识别高度Boost的顶夸克方面，显著优于基于QCD启发式和基于图像识别的方法。
• 该模型通过在架构中利用闵可夫斯基度量实现洛伦兹不变性，从而实现了更优的性能。
• 在不依赖图像预处理的前提下，将追踪信息与量能器数据结合，提升了标记效率。
• 该方法在广泛的Boost水平范围内保持高性能，尤其在最具挑战性的高Boost场景中表现突出。