Particle Transformer
PulseAugur coverage of Particle Transformer — every cluster mentioning Particle Transformer across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的模型拼接技术诊断喷注标记器中的表示差距
研究人员开发了一种“模型拼接”技术,用于诊断高能物理中使用的喷注标记器模型的表示差距。该方法通过线性映射训练,将一个网络的冻结早期层与另一个网络的冻结晚期层连接起来。研究发现,Lund表示中已知的缺陷,特别是主反聚类分支,确实是表示性的而非计算性的。使用完整的Cambridge/Aachen反聚类树重建表示在一定程度上修复了这一缺陷,尽管网络仍然主要依赖主分支获取信息。
-
新的 SParTA Transformer 架构提高了喷注标记效率
研究人员推出了一种新颖的 Transformer 架构 SParTA,专为高能物理中的高效可扩展喷注标记而设计。该架构通过将最难的成分分离到二次交互注意力机制中,并通过线性交叉注意力整合较软的成分来优化处理,从而避免了计算瓶颈。SParTA 在基准任务上展示了具有竞争力的性能,实现了高准确率和 AUC 分数,同时比 Particle Transformer 和 IAFormer 等现有模型使用的参数少得多。
-
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。
-
超图神经网络增强LHC粒子碰撞分析
研究人员开发了一种超图神经网络(H-GNN)来改进大型强子对撞机上$tar{t}tar{t}$产生的探测。这种先进的神经网络架构将事件表示为超图,捕捉喷流和轻子之间复杂的关联,以更好地将信号事件与背景噪声区分开。与现有方法相比,H-GNN在统计显著性方面取得了显著改进,从而能够对标准模型有效场论中六维算符的威尔逊系数进行更精确的约束。