Machine-learned particle flow as a foundation model for collider physics

📄 arXiv: 2606.14373v1 📥 PDF

作者: Farouk Mokhtar, Joosep Pata, Michael Kagan, Javier Duarte

分类: hep-ex, cs.LG, hep-ph, physics.data-an, physics.ins-det

发布日期: 2026-06-12

备注: 15 pages, 11 figures

💡 一句话要点

提出机器学习粒子流模型以解决粒子碰撞分析问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 粒子物理 机器学习 事件重建 喷流分析 缺失动量回归 基础模型 潜在表示

📋 核心要点

  1. 现有的粒子碰撞分析方法模块化且独立，缺乏有效的共享表示，导致信息传递不畅。
  2. 本文将粒子事件重建视为机器学习问题，通过重用训练好的模型实现了共享表示，提升了分析任务的效率。
  3. 实验结果显示，使用潜在表示的模型在缺失动量回归上以35倍更少的参数超越了传统基线，展示了显著的性能提升。

📝 摘要（中文）

粒子碰撞到物理分析的工作流程通常经过一系列模块化且相互独立的重建步骤，缺乏将低级探测器数据与高级分析任务连接的共享表示。本文将事件重建视为机器学习问题，自然产生了这样的共享表示。我们重新利用训练用于粒子流重建的机器学习模型（MLPF），执行三项不同的分析任务：喷流味道识别、喷流能量回归和缺失动量回归。通过将重建过程中学习到的每个粒子的潜在表示作为额外输入特征，我们显著提高了仅使用运动学特征的基线模型的性能。此外，仅使用潜在表示训练的单层线性模型在缺失动量回归任务中以约35倍更少的参数实现了与最先进基线架构的竞争性能。这些结果表明，重建过程中学习到的潜在表示编码了下游分析所需的基本物理信息，确立了MLPF作为基础模型，并为从探测器数据到物理分析的端到端管道提供了具体步骤。

🔬 方法详解

问题定义：本文旨在解决粒子碰撞分析中重建步骤模块化且缺乏共享表示的问题。现有方法在低级探测器数据与高级分析任务之间缺乏有效的连接，导致信息流失和性能瓶颈。

核心思路：通过将事件重建视为机器学习问题，本文提出了一种新的方法来生成共享表示。这种方法允许在不同分析任务中复用重建过程中学习到的潜在表示，从而提高分析的准确性和效率。

技术框架：整体架构包括三个主要阶段：首先是粒子流重建，接着是将重建得到的潜在表示作为输入特征，最后进行喷流味道识别、喷流能量回归和缺失动量回归等分析任务。

关键创新：最重要的创新在于将重建过程中学习到的潜在表示用于下游分析任务，形成了一个共享的表示空间。这一方法与传统的仅依赖运动学特征的分析方法本质上不同，显著提升了性能。

关键设计：在模型设计中，使用了单层线性网络来处理潜在表示，并通过优化损失函数来提高模型的学习能力。实验表明，这种设计在缺失动量回归任务中表现出色，参数量大幅减少。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，使用潜在表示的模型在缺失动量回归任务中以约35倍更少的参数超越了传统基线，展示了显著的性能提升。这一发现验证了潜在表示在粒子物理分析中的重要性。

🎯 应用场景

该研究的潜在应用领域包括高能物理实验、粒子探测器数据分析以及机器学习在物理学中的应用。通过提供一种有效的端到端分析管道，研究成果有望推动粒子物理学的研究进展，并为相关领域的技术发展提供新的思路。

📄 摘要（原文）

The workflow from particle collision to physics analysis passes through a series of reconstruction steps that are traditionally modular and disconnected, with no shared representation linking low-level detector data to high-level analysis tasks. We show that casting event reconstruction as a machine learning problem naturally produces such a shared representation. We repurpose a machine learning model trained for particle-flow reconstruction (MLPF) to perform three distinct analysis tasks: jet flavor identification, jet energy regression, and missing momentum regression. By appending the per-particle latent representations learned during reconstruction as additional input features, we substantially improve over baselines that use kinematic features alone. We further demonstrate that a single linear layer trained using only the latent representations achieves competitive performance against state-of-the-art baseline architectures, and outperforms the baseline for missing momentum regression with approximately 35 times fewer parameters. These results demonstrate that the latent representations learned during reconstruction encode essential physics information needed for downstream analysis, establishing MLPF as a foundation model and offering a concrete step toward an end-to-end pipeline from detector data to physics analysis.