Topological Reconstruction of Particle Physics Processes using Graph Neural Networks

要約

粒子物理の崩壊の性質とメッセージパッシンググラフニューラルネットワークの柔軟性から基礎となる事前確率を活用することにより、中間粒子を含む基礎となる物理プロセスを再構築する新しいアプローチであるトポグラフを提示します。
トポグラフは、観測された最終状態オブジェクトの組み合わせ割り当てを解決し、それらを元の母粒子に関連付けるだけでなく、ハード スキャッタ プロセスにおける中間粒子の特性とその後の減衰を直接予測します。
指数関数的または二次的にスケーリングする標準的な組み合わせアプローチまたはグラフ ニューラル ネットワークを使用する最新のアプローチと比較して、Topographs の複雑さは、再構築されたオブジェクトの数に比例してスケーリングします。
トポグラフをすべてのハドロン崩壊チャネルでのトップ クォーク ペアの生成に適用します。この場合、標準的なアプローチよりも優れており、最先端の機械学習技術のパフォーマンスに匹敵します。

要約(オリジナル)

We present a new approach, the Topograph, which reconstructs underlying physics processes, including the intermediary particles, by leveraging underlying priors from the nature of particle physics decays and the flexibility of message passing graph neural networks. The Topograph not only solves the combinatoric assignment of observed final state objects, associating them to their original mother particles, but directly predicts the properties of intermediate particles in hard scatter processes and their subsequent decays. In comparison to standard combinatoric approaches or modern approaches using graph neural networks, which scale exponentially or quadratically, the complexity of Topographs scales linearly with the number of reconstructed objects. We apply Topographs to top quark pair production in the all hadronic decay channel, where we outperform the standard approach and match the performance of the state-of-the-art machine learning technique.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google