論文の概要: Stable and Interpretable Jet Physics with IRC-Safe Equivariant Feature Extraction

• arxiv url: http://arxiv.org/abs/2509.22059v1
• Date: Fri, 26 Sep 2025 08:42:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:18.796658
• Title: Stable and Interpretable Jet Physics with IRC-Safe Equivariant Feature Extraction
• Title（参考訳）: IRC-セーフ同変特徴抽出による安定かつ解釈可能なジェット物理
• Authors: Partha Konar, Vishal S. Ngairangbam, Michael Spannowsky, Deepanshu Srivastava,
• Abstract要約: コライダー物理におけるクォークグルーオン識別のためのグラフニューラルネットワークについて検討する。 特に、赤外線とコリニア(IRC)の安全性を強制するメッセージパッシングアーキテクチャを設計する。 解析により、物理認識ネットワークはトレーニングインスタンス間でより安定であり、複数の解釈可能な方向にわたって遅延分散を分散していることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has achieved remarkable success in jet classification tasks, yet a key challenge remains: understanding what these models learn and how their features relate to known QCD observables. Improving interpretability is essential for building robust and trustworthy machine learning tools in collider physics. To address this challenge, we investigate graph neural networks for quark-gluon discrimination, systematically incorporating physics-motivated inductive biases. In particular, we design message-passing architectures that enforce infrared and collinear (IRC) safety, as well as E(2) and O(2) equivariance in the rapidity-azimuth plane. Using simulated jet datasets, we compare these networks against unconstrained baselines in terms of classification performance, robustness to soft emissions, and latent representation structures. Our analysis shows that physics-aware networks are more stable across training instances and distribute their latent variance across multiple interpretable directions. By regressing Energy Flow Polynomials onto the leading principal components, we establish a direct correspondence between learned representations and established IRC-safe jet observables. These results demonstrate that embedding symmetry and safety constraints not only improves robustness but also grounds network representations in known QCD structures, providing a principled approach toward interpretable deep learning in collider physics.
• Abstract（参考訳）: 深層学習はジェット分類タスクにおいて顕著な成功を収めてきたが、重要な課題は、これらのモデルが何を学習し、その特徴が既知のQCD観測物とどのように関連しているかを理解することである。 コライダー物理学において、堅牢で信頼性の高い機械学習ツールを構築するためには、解釈可能性の改善が不可欠である。 この課題に対処するため、クォークグルーオン識別のためのグラフニューラルネットワークについて検討し、物理を動機とした帰納バイアスを体系的に取り入れた。 特に、赤外・コリニア(IRC)の安全性を強制するメッセージパッシングアーキテクチャを設計し、高速・方位平面におけるE(2)とO(2)の等式を設計する。 シミュレーションジェットデータセットを用いて,これらのネットワークを,分類性能,ソフトエミッションに対する堅牢性,潜在表現構造の観点から,制約のないベースラインと比較する。 解析により、物理認識ネットワークはトレーニングインスタンス間でより安定であり、複数の解釈可能な方向にわたって遅延分散を分散していることがわかった。 エネルギーフローの多項式を主成分に回帰させることにより、学習された表現と確立されたIRC安全なジェット観測装置の直接対応を確立する。 これらの結果は、埋め込み対称性と安全性の制約がロバスト性を改善するだけでなく、既知のQCD構造におけるネットワーク表現の基盤となることを示し、コライダー物理学における解釈可能な深層学習への原則的アプローチを提供する。

関連論文リスト

• Uncovering Magnetic Phases with Synthetic Data and Physics-Informed Training [0.0]
  合成データに基づいて学習した人工ニューラルネットワークを用いた磁気位相の効率的な学習について検討する。 モデル性能を向上させるために,物理インフォームドガイダンスの2つの重要な形態を取り入れた。 この結果から, 合成, 構造化, 計算効率のよい学習手法は, 物理的に意味のある位相境界を明らかにすることができることがわかった。
  論文  参考訳（メタデータ） (2025-05-15T15:16:16Z)
• Mixture-of-Experts Graph Transformers for Interpretable Particle Collision Detection [36.56642608984189]
  本稿では,グラフトランスフォーマーモデルとMixture-of-Expertレイヤを組み合わせることで,高い予測性能を実現する手法を提案する。 我々は、ATLAS実験からシミュレーションイベントのモデルを評価し、希少な超対称性信号イベントの識別に焦点をあてた。 このアプローチは、高エネルギー物理学に適用された機械学習手法における説明可能性の重要性を浮き彫りにする。
  論文  参考訳（メタデータ） (2025-01-06T23:28:19Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Rotation-equivariant Graph Neural Networks for Learning Glassy Liquids Representations [0.5249805590164901]
  ガラスの静的構造の堅牢な表現を学習するグラフニューラルネットワークを構築する。 この制約は, パラメータ数に匹敵する, あるいは減少する予測能力を大幅に向上させることを示す。 ディープネットワークを維持しながら、我々のモデルは他のGNNと比較して解釈可能性を改善した。
  論文  参考訳（メタデータ） (2022-11-06T22:05:27Z)
• Quantifying Uncertainty In Traffic State Estimation Using Generative Adversarial Networks [4.737519767218666]
  本稿では, 生成逆数ネットワークに基づく物理インフォームドディープラーニング(PIDL)を用いた交通状態推定(TSE)の不確かさの定量化を目的とする。 2つの物理モデル、Lighthill-Whitham-Richards (LWR) とAw-Rascle-Zhang (ARZ) がPhysGANの物理成分として比較される。 その結果,ARZベースのPhysGANはLWRベースのPhysGANよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-06-19T08:10:15Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Physically Explainable CNN for SAR Image Classification [59.63879146724284]
  本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。 提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。 実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2021-10-27T03:30:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。