مقاله jetlov: تقویت برچسب زدن درخت جت از طریق یادگیری شبکه عصبی از متغیرهای بهینه لوندنت

چکیده

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.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین نقش مهمی در پیشرفت فیزیک داشته است ، با یادگیری عمیق به ویژه در حل مشکلات طبقه بندی پیچیده مانند برچسب زدن جت در زمینه جت فیزیک نقش دارد.در این آزمایش ، هدف ما این است که از پتانسیل کامل شبکه های عصبی استفاده کنیم و در حالی که تصدیق می کنیم ، در بعضی مواقع ، ممکن است فیزیک اساسی حاکم بر این مدل ها را از دست بدهیم.با این وجود ، ما نشان می دهیم که می توانیم به نتایج قابل توجهی دست یابیم که دانش فیزیک را مبهم می کند و کاملاً به نتیجه مدل تکیه می کنیم.ما Jetlov را معرفی می کنیم ، یک کامپوزیت که شامل دو مدل است: یک Perceptron چند لایه ساده (MLP) و Lundnet به خوبی تثبیت شده.مطالعه ما نشان می دهد که ما می توانیم بدون تکیه بر متغیرهای قبل از محاصره Lundnet ، عملکرد برچسب زدن جت را بدست آوریم.درعوض ، ما به شبکه اجازه می دهیم تا به طور مستقل مجموعه ای کاملاً جدید از متغیرها را بیاموزد ، عاری از دانش پیشینی از فیزیک اساسی.این یافته ها نوید را دارند ، به ویژه در پرداختن به مسئله وابستگی به مدل ، که می تواند از طریق تعمیم و آموزش در مجموعه داده های متنوع کاهش یابد.