[论文解读] Flow Matching Beyond Kinematics: Generating Jets with Particle-ID and Trajectory Displacement Information

Joschka Birk, Erik Buhmann+3 more|arXiv (Cornell University)|Nov 30, 2023

Generative Adversarial Networks and Image Synthesis被引用 5

一句话总结

本论文首次在JetClass数据集上训练了连续归一化流（CNF）生成模型，突破了仅依赖运动学特征的限制，扩展至粒子种类ID、轨迹位移和衰变参数等特征。通过使用EPiC层的流匹配方法，该模型在十类喷胶中实现了最先进性能，准确捕捉了包括多叉衰变和非运动学特征在内的复杂喷胶结构，显著提升了异常检测潜力。

ABSTRACT

We introduce the first generative model trained on the JetClass dataset. Our model generates jets at the constituent level, and it is a permutation-equivariant continuous normalizing flow (CNF) trained with the flow matching technique. It is conditioned on the jet type, so that a single model can be used to generate the ten different jet types of JetClass. For the first time, we also introduce a generative model that goes beyond the kinematic features of jet constituents. The JetClass dataset includes more features, such as particle-ID and track impact parameter, and we demonstrate that our CNF can accurately model all of these additional features as well. Our generative model for JetClass expands on the versatility of existing jet generation techniques, enhancing their potential utility in high-energy physics research, and offering a more comprehensive understanding of the generated jets.

研究动机与目标

• 开发一种超越喷胶运动学特征的生成模型，纳入粒子种类ID和轨迹位移特征。
• 在包含10类喷胶和每喷胶13个特征的更大、更复杂的JetClass数据集上，训练单一排列等变模型。
• 使用高统计量数据集上的1D（KL散度）和2D（二分类器得分）指标，评估生成性能。
• 通过建模如b夸克和长寿命粒子等非运动学特征，提升异常检测能力。
• 确立JetClass作为高能物理点云生成建模的新基准。

提出的方法

• 利用EPiC层构建连续归一化流（CNF），确保排列等变性，并建模复杂的喷胶分布。
• 通过流匹配进行训练，实现基于得分的生成过程端到端优化。
• 模型以喷胶类型（10类）为条件，使单一架构可生成所有喷胶类型。
• 联合建模每喷胶13个特征，包括运动学量（pt、eta、phi）、粒子种类ID、衰变参数显著性及轨迹位移。
• 评估采用1D KL散度与2D二分类器得分，后者基于真实数据与生成数据训练。
• 训练数据量为JetNet的70倍，每类喷胶样本数量显著增加，支持稳健的指标训练。

实验结果

研究问题

• RQ1 能否通过流匹配训练的单一CNF模型，在准确生成十类多样化喷胶类型的同时，有效建模非运动学特征？
• RQ2 该模型在捕捉复杂喷胶结构（如含中间共振态的顶夸克衰变）方面表现如何？
• RQ3 如粒子种类ID和衰变参数显著性等非运动学特征，在多大程度上提升了异常检测的灵敏度？
• RQ4 该模型在从JetNet扩展到更大、更复杂的JetClass数据集时，性能是否能有效扩展？
• RQ5 基于生成数据训练的二分类器指标，能否可靠评估高维喷胶特征空间中的生成质量？

主要发现

• 模型在所有10类喷胶中均实现了高保真度生成，多数1D分布的性能与统计涨落相当或更优。
• 模型成功捕捉了非运动学特征，如粒子种类ID和衰变参数显著性，从而具备探测底夸克和长寿命粒子的敏感性。
• 对于顶夸克衰变（t→bqq′），模型再现了τ32分布，但因低权重喷胶建模不完善，出现轻微峰值偏移，整体一致性仍很强。
• 基于真实数据与生成数据训练的二分类器指标表明，模型生成的喷胶特征具有高保真度。
• 结果表明，引入轨迹位移和粒子种类ID特征可显著提升异常检测灵敏度，潜在提升超过三倍。
• JetClass具备足够的复杂度，可作为高能物理点云生成模型的新基准。