極端なジェット下部構造の解明【JST・京大機械翻訳】

Lu Yadong; Romero Alexis; Fenton Michael James; Whiteson Daniel; Baldi Pierre

プレプリント

J-GLOBAL ID：202202219813015214 整理番号：22P0283335

極端なジェット下部構造の解明【JST・京大機械翻訳】

Resolving Extreme Jet Substructure

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 (5件)： , , , ,
資料名：
発行年： 2022年02月01日プレプリントサーバーでの情報更新日： 2022年07月17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。

著者らは,多数のハードサブジェット(N=8まで)を有するジェットの極端な状況において,理論的に動機付けられた高レベルジェット観測の有効性を研究した。以前の研究は,高レベル観測が,N≦3ハードサブジェットのジェット下部構造を探索するための強力で解釈可能なツールであるが,低レベルジェット構成で訓練された深いニューラルネットワークは,その性能を一致またはわずかに超えることを示した。深層粒子流ネットワーク(PFNs)と変換器ベースのネットワークを用いて,N=8ハードサブジェットまでこの仕事を拡張し,分類性能に関する緩い上限を推定した。高レベルジェット観測可能,135Nサブジェット観測可能,およびジェット質量の標準セットで動作する完全接続ニューラルネットワークは,86.90%の分類精度に達するが,PFNと変換機モデルは,それぞれ89.19%と91.27%の分類精度に達し,それは,構成ネットワークが,高レベル観測のセットによって捕捉されない情報を利用することを示唆する。次に,このギャップを狭めることができる付加的高レベル観測性を同定し,特徴選択のためにLASSO正則化を利用して,最も関連する観測を同定,ランク付けし,構成ベースニューラルネットワークにより使用される学習戦略への更なる洞察を提供する。最終モデルは,31の高レベル観測者のみを含み,PFNの性能に整合し,変圧器モデルの性能を2%以内で近似できる。【JST・京大機械翻訳】

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

ハドロンによって引き起されるその他の反応 , 強い相互作用の模型

前のページに戻る