[论文解读] Particle Convolution for High Energy Physics

C. O. Shimmin|arXiv (Cornell University)|Jul 5, 2021

Particle physics theoretical and experimental studies参考文献 29被引用 16

一句话总结

本文提出了粒子卷积网络（PCN），一种用于喷射物理的旋转等变神经网络层，通过在喷射的 $η$-$\phi$ 平面中引入群卷积，推广了能量流动网络（Energy Flow Networks）和 Deep Sets。旋转 PCN（rPCN）在夸克/胶子分类与顶夸克分类任务中达到最先进性能，显著优于现有 IRC 安全方法，同时在准确率上与基于图的模型（如 ParticleNet）相当。

ABSTRACT

We introduce the Particle Convolution Network (PCN), a new type of equivariant neural network layer suitable for many tasks in jet physics. The particle convolution layer can be viewed as an extension of Deep Sets and Energy Flow network architectures, in which the permutation-invariant operator is promoted to a group convolution. While the PCN can be implemented for various kinds of symmetries, we consider the specific case of rotation about the jet axis the $η- ϕ$ plane. In two standard benchmark tasks, q/g tagging and top tagging, we show that the rotational PCN (rPCN) achieves performance comparable to graph networks such as ParticleNet. Moreover, we show that it is possible to implement an IRC-safe rPCN, which significantly outperforms existing IRC-safe tagging methods on both tasks. We speculate that by generalizing the PCN to include additional convolutional symmetries relevant to jet physics, it may outperform the current state-of-the-art set by graph networks, while offering a new degree of control over physically-motivated inductive biases.

研究动机与目标

• 开发一种尊重喷射结构中旋转对称性的神经网络架构，以反映高能物理中的物理不变性。
• 通过在 $η$-$\phi$ 平面引入群卷积，推广如 EnergyFlow 和 Deep Sets 等排列不变模型。
• 创建一种 IRC 安全的 PCN 变体，保持物理一致性的同时提升在喷射分类基准上的性能。
• 探索将 PCN 框架扩展至其他与喷射物理相关的对称性（如 $p_{\mathrm{Tr}}$ 中的缩放对称性）的潜力。
• 提供一种比基于图的模型（如 ParticleNet）更具物理可解释性且更高效的替代方案，同时减少预处理步骤并保持排列等变性。

提出的方法

• PCN 层在 $η$-$\phi$ 平面执行群卷积，将粒子位置视为二维角度空间中的连续坐标。
• 它使用可学习的滤波函数 $\Phi$ 执行卷积操作，确保在喷射轴周围旋转下保持等变性。
• 该架构设计为排列等变，并兼容可变长度的粒子集合，支持端到端训练。
• 为实现 IRC 安全性，网络构建方式确保其输出对软/共线辐射不敏感，从而保持物理一致性。
• 该模型将喷射图像推广至连续空间，并通过用群卷积替代希尔伯特空间投影，扩展了 EnergyFlow。
• rPCN 在粒子四维动量上进行训练，可选地引入 $p_{\mathrm{Tr}}$ 依赖的门控机制，使其能够学习动量相关的模式。

实验结果

研究问题

• RQ1 在 $η$-$\phi$ 平面中，对旋转具有等变性的群卷积层是否能相比排列不变模型提升喷射分类性能？
• RQ2 PCN 的 IRC 安全版本是否在夸克/胶子分类与顶夸克分类任务中优于现有 IRC 安全分类方法？
• RQ3 在 IRC 安全与非 IRC 安全设置下，rPCN 与最先进基于图的模型（如 ParticleNet）相比性能如何？
• RQ4 PCN 框架是否可扩展以包含其他对称性（如 $p_{\mathrm{Tr}}$ 中的缩放对称性），以提升在不同喷射能量下的泛化能力？
• RQ5 rPCN 在多大程度上学习了具有物理意义的表征，如动量依赖的分箱或粒子剪枝？

主要发现

• 在夸克/胶子分类任务中，rPCN 在 50% 信号效率下达到 AUC 0.8997，背景拒绝率 34.2 ± 0.4，优于比较中所有 IRC 安全模型。
• 在顶夸克分类任务中，rPCN 在 50% 信号效率下达到 AUC 0.9845，背景拒绝率 364 ± 9，创下 IRC 安全方法的新 SOTA 记录。
• 通过引入额外的 $p_{\mathrm{Tr}}$ 依赖门控，rPCN 的 AUC 达到 0.9081，背景拒绝率提升至 38.6 ± 0.5，接近 ParticleNet 的性能。
• rPCN 显著优于能量流动网络（EFN），在 q/g 分类任务中将背景拒绝率从 28.6 提升至 32.5。
• 网络能够隐式地按 $p_{\mathrm{Tr}}$ 对粒子进行分箱，并通常忽略低 $p_{\mathrm{Tr}}$ 粒子，表明其具备通过输入剪枝加速推理的潜力。
• rPCN 表明，旋转等变性提供了一种强大的归纳偏置，可提升性能，同时与大型强子对撞机实验中的现有生产流程保持兼容。