Learning Standard Model structure from LHC data with Riemannian flow matching

📄 arXiv: 2607.16144 📥 PDF

作者: Midori Kato, Kevin A. Urquía-Calderón, Inar Timiryasov, Oleg Ruchayskiy

分类: cs.LG

发布日期: 2026-07-20

💡 一句话要点

提出ShellFlow模型以从LHC数据中学习标准模型结构

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 标准模型 黎曼流匹配 生成模型 高能物理 ATLAS数据 粒子动力学 机器学习

📋 核心要点

  1. 现有方法无法覆盖从亚GeV到TeV的广泛质量范围，限制了对标准模型的全面理解。
  2. 提出ShellFlow模型，通过黎曼流匹配生成粒子在其壳面上的表现，利用真实碰撞数据进行训练。
  3. 模型成功重现了粒子动力学和多个重要物理常数，表明其在标准模型学习中的有效性。

📝 摘要（中文）

本研究展示了一种基于变换器的生成模型，能够捕捉跨越五个十年的标准模型结构，涵盖从亚GeV到TeV的质量范围。为此，我们设计了ShellFlow，一个黎曼条件流匹配模型，能够根据记录的事件组成生成每个粒子在其壳面上的表现。模型仅依赖于壳条件和不变质量公式进行训练，使用了约10亿个来自ATLAS开放数据的真实pp碰撞事件。模型成功重现了粒子间的动力学、多个共振态及其物理常数，显示出从碰撞数据中直接学习标准模型的潜力。

🔬 方法详解

问题定义：本研究旨在解决现有方法无法覆盖从亚GeV到TeV的标准模型结构学习问题，现有的单一蒙特卡洛样本无法满足这一需求。

核心思路：论文提出的ShellFlow模型利用黎曼条件流匹配的方式，根据事件组成生成粒子在其壳面上的表现，依赖于物理先验知识如壳条件和不变质量公式。

技术框架：ShellFlow模型的整体架构包括数据输入模块、流匹配模块和生成模块。数据输入模块处理来自ATLAS的碰撞事件，流匹配模块通过黎曼几何生成粒子表现，生成模块输出最终的粒子状态。

关键创新：本研究的关键创新在于首次将黎曼流匹配应用于粒子生成，能够在没有额外物理信息的情况下，直接从碰撞数据中学习标准模型的结构。

关键设计：模型的关键设计包括使用不变质量公式作为损失函数，流匹配的网络结构采用变换器架构，确保能够捕捉复杂的粒子间关联性。

📊 实验亮点

实验结果表明，ShellFlow模型能够有效重现粒子间的动力学特征和多个重要物理常数，如J/ψ、Υ和Z的共振位置，显示出其在标准模型学习中的显著提升。模型在单次训练中成功捕捉了大量粒子间的相互关系，展示了其强大的学习能力。

🎯 应用场景

该研究的潜在应用领域包括高能物理实验数据分析、粒子物理模型的验证与改进，以及新物理现象的探索。通过从实际碰撞数据中学习，ShellFlow模型能够为未来的粒子物理研究提供更为精确的工具和方法。

📄 摘要（原文）

In this work we demonstrate that a single transformer-based generative model can capture Standard Model structure spanning five decades of invariant mass, from the sub-GeV regime to the TeV continuum, a range that no single Monte Carlo sample covers. To achieve this we design \textsc{ShellFlow}, a Riemannian conditional flow matching model that, given the recorded event composition, generates each particle on its on-shell manifold. Its only physics priors are the on-shell condition and the invariant-mass formula. The model is trained on $\sim 10^{9}$ real $pp$ collision events from the ATLAS Open Data 13~TeV release and told nothing else. From a single training run, the model learns to reproduce all of the following: intra-particle kinematics, the dilepton resonances ($J/\psi$, $\Upsilon$, $Z$) at their PDG positions, the leptonic Weinberg angle, the $W$ and top-quark masses, and inter-particle correlations that enter no training objective. A substantial fraction of the Standard Model is thus learnable directly from recorded collision data.