JetClass
PulseAugur coverage of JetClass — every cluster mentioning JetClass across labs, papers, and developer communities, ranked by signal.
-
KIGNet：面向可解释喷注识别的物理驱动图学习
研究人员开发了KIGNet，一种用于高能物理中可解释喷注识别的新图神经网络。KIGNet将角向分离、相对横向动量、动量分数和不变质量平方等运动学变量整合到其分类过程中。该模型表明它学习到了物理上可解释的表示，其中角向分离和相对横向动量是分类中最主要的因素，这与QCD辐射的理论预测一致。KIGNet在基准数据集上取得了最先进的性能，与现有方法相比，在准确性和表示质量方面都有显著提高。
-
新研究比较高能物理领域人工智能的预训练方法
一篇新的arXiv论文探讨了在基于仿真的科学（特别是高能物理领域）中基础模型的预训练目标。该研究使用OmniLearned High Energy Physics FM框架，比较了监督分类、流匹配生成和自监督掩码粒子建模。结果表明，当标签丰富时，纯分类器预训练效果最佳，但在标签稀疏的情况下，将其与掩码粒子建模相结合非常有效。对于生成任务，必须在预训练中包含流匹配才能在下游任务中获得显著优势。
-
新的自监督方法增强了高能物理中的喷注辨识能力
研究人员开发了 JetParticle-JEPA (JP-JEPA)，一种用于高能物理喷注辨识的新型自监督学习方法。该方法基于 Particle Transformer 构建，可以直接从粒子数据中学习有意义的表征，而无需广泛的标记数据集。在 JetClass 等基准测试中，JP-JEPA 的性能与监督方法相当，并且在面对探测器错误建模和数据限制时表现出更强的鲁棒性。
-
受量子启发的算法提升机器学习表示
研究人员开发了将量子计算原理融入以增强机器学习模型的新方法。其中一种方法 QUIVER 使用量子 Fisher 视图来捕捉数据中的高阶相关性，从而提高分子性质预测和粒子识别等任务的性能。另一种方法侧重于通过使用生成模型合成门序列来优化量子机器学习的数据嵌入，从而在各种数据集上获得更好的分类性能。这些进展表明，即使在容错量子硬件广泛可用之前，量子几何特征也能为标准的机器学习任务提供显著价值。