JetLOV: Enhancing Jet Tree Tagging through Neural Network Learning of Optimal LundNet Variables

要約

機械学習は物理学の進歩において極めて重要な役割を果たしており、ディープラーニングはジェット物理学の分野におけるジェットのタグ付けなどの複雑な分類問題の解決に特に貢献しています。
この実験では、ニューラル ネットワークの可能性を最大限に活用することを目指していますが、場合によってはこれらのモデルを支配する基礎的な物理学を見失ってしまう可能性があることを認識しています。
それにもかかわらず、物理学の知識を覆い隠し、モデルの結果に完全に依存しても、驚くべき結果を達成できることを実証しました。
ここでは、単純な多層パーセプトロン (MLP) と十分に確立された LundNet という 2 つのモデルで構成される複合モデルである JetLOV を紹介します。
私たちの研究では、事前に計算された LundNet 変数に依存せずに、同等のジェットタグ付けパフォーマンスを達成できることが明らかになりました。
代わりに、根底にある物理学の先験的な知識がなくても、ネットワークがまったく新しい変数のセットを自律的に学習できるようにします。
これらの発見は、特にモデルの依存性の問題に対処する上で有望であり、この問題は一般化と多様なデータセットでのトレーニングによって軽減できます。

要約(オリジナル)

Machine learning has played a pivotal role in advancing physics, with deep learning notably contributing to solving complex classification problems such as jet tagging in the field of jet physics. In this experiment, we aim to harness the full potential of neural networks while acknowledging that, at times, we may lose sight of the underlying physics governing these models. Nevertheless, we demonstrate that we can achieve remarkable results obscuring physics knowledge and relying completely on the model’s outcome. We introduce JetLOV, a composite comprising two models: a straightforward multilayer perceptron (MLP) and the well-established LundNet. Our study reveals that we can attain comparable jet tagging performance without relying on the pre-computed LundNet variables. Instead, we allow the network to autonomously learn an entirely new set of variables, devoid of a priori knowledge of the underlying physics. These findings hold promise, particularly in addressing the issue of model dependence, which can be mitigated through generalization and training on diverse data sets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google