論文の概要: B-jet Tagging Using a Hybrid Edge Convolution and Transformer Architecture

• arxiv url: http://arxiv.org/abs/2603.21326v1
• Date: Sun, 22 Mar 2026 17:10:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.356697
• Title: B-jet Tagging Using a Hybrid Edge Convolution and Transformer Architecture
• Title（参考訳）: ハイブリッドエッジ畳み込みとトランスフォーマーアーキテクチャを用いたBジェットタギング
• Authors: Diego F. Vasquez Plaza, Vidya Manian,
• Abstract要約: 本稿では,エッジ畳み込みとトランスフォーマーの自己認識機構を統合したハイブリッドディープラーニングアーキテクチャを提案する。 我々は, ECT が b-ジェットに対して 0.9333 AUC を達成することを実証した。 提案アーキテクチャは、特にチャームジェットの拒絶に優れたbジェットタギングにおいて良好な結果が得られる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Jet flavor tagging plays an important role in precise Standard Model measurement enabling the extraction of mass dependence in jet-quark interaction and quark-gluon plasma (QGP) interactions. They also enable inferring the nature of particles produced in high-energy particle collisions that contain heavy quarks. The classification of bottom jets is vital for exploring new Physics scenarios in proton-proton collisions. In this research, we present a hybrid deep learning architecture that integrates edge convolutions with transformer self-attention mechanisms, into one single architecture called the Edge Convolution Transformer (ECT) model for bottom-quark jet tagging. ECT processes track-level features (impact parameters, momentum, and their significances) alongside jet-level observables (vertex information and kinematics) to achieve state-of-the-art performance. The study utilizes the ATLAS simulation dataset. We demonstrate that ECT achieves 0.9333 AUC for b-jet versus combined charm and light jet discrimination, surpassing ParticleNet (0.8904 AUC) and the pure transformer baseline (0.9216 AUC). The model maintains inference latency below 0.060 ms per jet on modern GPUs, meeting the stringent requirements for real-time event selection at the LHC. Our results demonstrate that hybrid architectures combining local and global features offer superior performance for challenging jet classification tasks. The proposed architecture achieves good results in b-jet tagging, particularly excelling in charm jet rejection (the most challenging task), while maintaining competitive light-jet discrimination comparable to pure transformer models.
• Abstract（参考訳）: ジェットフレーバータギングは、ジェットクォーク相互作用とクォークグルーオンプラズマ(QGP)相互作用における質量依存の抽出を可能にする正確な標準モデル測定において重要な役割を果たす。 また、重いクォークを含む高エネルギー粒子衝突で生じる粒子の性質を推測することもできる。 ボトムジェットの分類は、陽子-陽子衝突における新しい物理シナリオの探索に不可欠である。 本研究では,エッジ畳み込みと変圧器自己保持機構を統合したハイブリッドディープラーニングアーキテクチャを,ボトムクォークジェットタグ付けのためのエッジ畳み込み変換器(ECT)モデルと呼ばれる単一のアーキテクチャに統合する。 ECTは、ジェットレベルの観測可能(頂点情報と運動学)とともにトラックレベルの特徴(インパクトパラメータ、運動量、およびそれらの意義)を処理し、最先端のパフォーマンスを達成する。 この研究はATLASシミュレーションデータセットを利用している。 我々は, ECT が b-ジェットに対して 0.9333 AUC を達成し, チャームと軽ジェットの差別を併用し, ParticleNet (0.8904 AUC) と純変圧器ベースライン (0.9216 AUC) を越えていることを示した。 モデルは、LHCにおけるリアルタイムイベント選択の厳格な要件を満たすため、現代的なGPU上で1ジェットあたり0.060ミリ秒未満の推論レイテンシを維持している。 この結果から, 局所的特徴とグローバル的特徴を組み合わせたハイブリッドアーキテクチャは, ジェット分類の課題に対して優れた性能を示すことが示された。 提案アーキテクチャは,bジェットのタグ付け,特にチャームジェットの拒絶(最も困難なタスク)に優れ,純粋なトランスフォーマーモデルに匹敵する競争力のある光ジェットの識別を維持できる。

関連論文リスト

• HEP-JEPA: A foundation model for collider physics using joint embedding predictive architecture [0.0]
  本稿では,高エネルギー粒子衝突器におけるタスクに対するトランスフォーマーアーキテクチャに基づく基礎モデルを提案する。 我々は,ジョイント・エンベディング予測アーキテクチャにインスパイアされた自己監督型戦略を用いて,ジェット機を分類するモデルを訓練する。 我々のモデルは、標準分類ベンチマークタスクのための他のデータセットと相性がいい。
  論文  参考訳（メタデータ） (2025-02-06T10:16:27Z)
• Particle Multi-Axis Transformer for Jet Tagging [0.774199694856838]
  本稿では,新しいアーキテクチャであるParticle Multi-Axis transformer (ParMAT)を提案する。 ParMATは単一ユニット内の局所的およびグローバルな空間的相互作用を含み、様々な入力長を扱う能力を向上させる。 JETCLASSは10種類の粒子からなる1億基のジェットを含む,公開可能な大規模データセットである。
  論文  参考訳（メタデータ） (2024-06-09T10:34:16Z)
• 19 Parameters Is All You Need: Tiny Neural Networks for Particle Physics [52.42485649300583]
  本稿では,ローレンツ型および置換対称型アーキテクチャPELICANの低遅延ニューラルネットワークへの応用の可能性を示す。 トップクォークジェットタグのバイナリ分類タスクと比較すると,最大19のトレーニング可能なパラメータで,数万のパラメータでジェネリックアーキテクチャを上回る性能を示す。
  論文  参考訳（メタデータ） (2023-10-24T18:51:22Z)
• Interpretable Joint Event-Particle Reconstruction for Neutrino Physics at NOvA with Sparse CNNs and Transformers [124.29621071934693]
  本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。 TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。 このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
  論文  参考訳（メタデータ） (2023-03-10T20:36:23Z)
• Joint Spatial-Temporal and Appearance Modeling with Transformer for Multiple Object Tracking [59.79252390626194]
  本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。 提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-05-31T01:19:18Z)
• DepthFormer: Exploiting Long-Range Correlation and Local Information for Accurate Monocular Depth Estimation [50.08080424613603]
  高精度な単分子深度推定には長距離相関が不可欠である。 我々は,このグローバルコンテキストを効果的な注意機構でモデル化するためにTransformerを活用することを提案する。 提案したモデルであるDepthFormerは、最先端のモノクル深度推定手法をはるかに超えている。
  論文  参考訳（メタデータ） (2022-03-27T05:03:56Z)
• Particle Transformer for Jet Tagging [4.604003661048267]
  ジェットタグのための新しい包括的データセットであるJetClassを提示する。 データセットは100Mジェットで構成され、既存の公開データセットよりも約2桁大きい。 我々は、ParT(Particle Transformer)と呼ばれるジェットタグのためのトランスフォーマーベースの新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-02-08T10:36:29Z)

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。