Topological Reconstruction of Particle Physics Processes using Graph Neural Networks

要約

タイトル：グラフニューラルネットワークを用いた粒子物理学プロセスのトポロジカル再構成

要約：

– Topographは、粒子物理学の崩壊の自然な先例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を活用して、中介粒子を含む基礎物理プロセスを再構成する新しいアプローチを提供する。
– Topographは、観測された最終状態オブジェクトを元の母粒子に関連付ける組み合わせ的割り当てだけでなく、ハードスキャッタープロセスで中間粒子の性質とその後の崩壊を直接予測することができる。
– Topographは、スケールが指数関数的または二次関数的に増加する従来の組み合わせ的アプローチや現代のグラフニューラルネットワークを使用したアプローチと比較して、再構成されるオブジェクトの数に比例して線形にスケーリングすることができる。
– Topographは、オールハドロニック崩壊チャンネルのトップクォーク対生成に適用されており、従来のアプローチを上回り、最先端の機械学習技術と同等の性能を提供する。

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, OpenAI