ジェットタグ付けのための効率的なLorentz等価グラフニューラルネットワーク【JST・京大機械翻訳】

Gong Shiqi; Meng Qi; Zhang Jue; Qu Huilin; Li Congqiao; Qian Sitian; Du Weitao; Ma Zhi-Ming; Liu Tie-Yan

プレプリント

J-GLOBAL ID：202202212068107549 整理番号：22P0277347

ジェットタグ付けのための効率的なLorentz等価グラフニューラルネットワーク【JST・京大機械翻訳】

An Efficient Lorentz Equivariant Graph Neural Network for Jet Tagging

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (9件)： , , , , , , , ,
資料名：
発行年： 2022年01月20日プレプリントサーバーでの情報更新日： 2022年11月08日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

深い学習法は,粒子物理学におけるジェットを研究するために,ますます採用されてきた。対称性保存挙動は,多くの応用における深い学習の性能を改善するための重要因子であることが示されているので,Lorentzグループ等分散,素粒子に対する基本的空間時間対称性は,最近,ジェット標識のための深い学習モデルに組み込まれている。しかし,この設計は高次テンソルの解析的構築のために計算上費用がかかる。本論文では,ジェット標識のための新しい対称性保存深層学習モデルであるLorentzNetを導入した。LorentzNetのメッセージ通過は,効率的なMinkowskiドット製品注意に依存する。2つの代表的ジェット標識ベンチマークに関する実験は,LorentzNetが最良の標識性能を達成して,既存の最先端のアルゴリズムを大幅に改善することを示した。また,Lorentz対称性の保存は,モデルの効率と一般化電力を大幅に改善し,LorentzNetが数千のジェットだけに訓練されたとき,高い競合性能に達することを可能にする。コードとモデルは,ウルル{https://github.com/sdogsq/LorentzNet release}で利用可能である。【JST・京大機械翻訳】

, , , , , , , ,
, , 【Automatic Indexing@JST】

人工知能

, , ,

前のページに戻る