喷注能量校准改由神经网络逐级接手：残余堆叠依赖约为参数化基线的一成
核心概要
大型强子对撞机上的强子喷注能量校准长期依赖对若干可观测量的参数化函数拟合，逐级修正堆叠、探测器响应与数据—模拟差异。一个原型流水线把这三类修正都交给直接针对该级待修正量训练的神经网络，不预设函数形式，新增输入即可扩展。在模拟的双喷注与大半径喷注样本上，各阶段性能与参数化基线相当或更好，残余堆叠依赖平均约为基线的十分之一。
深度剖析
喷注能量校准的每一级都可以由神经网络直接学习，而不必为每一级设计参数化函数形式。 现行 ATLAS 与 CMS 方案按顺序施加若干修正，每一级的参数都来自对选定可观测量的参数化函数拟合；这类修正对参数化无法容纳的其他依赖不敏感，相关误差被并入系统不确定度。 在模拟双喷注样本上，修正后残余对堆叠变量的斜率按快度分箱取均方根，神经网络方法在 lo- 与 hi- 两种注入强度下都低于参数化基线，七种堆叠变量相关性取平均后约为基线的 0.11 与 0.14。
每一级网络都直接针对该级要消除的量训练，而不是回归粒子级能量。 直接回归粒子级能量的结果会依赖训练样本的能谱，因此堆叠这一级改用由修正后残余与堆叠变量构成的协方差损失。 该损失同时惩罚对重建顶点数与平均每束团相互作用数的线性、二次与联合依赖，并在快度与横动量分箱内分别计算，训练在 Delphes 模拟的 ATLAS 探测器响应样本上完成。
大半径喷注的校准可以把子喷注位置作为额外输入，从而区分横跨量能器缝隙的两类喷注。 参数化方法对同一快度与能量的喷注给出同一条修正曲线，无法区分子喷注落在缝隙哪一侧。 在光子伴随强子衰变 W 玻色子的模拟样本上，加入两个领头 soft-drop 子喷注位置后，网络对子喷注轴沿纵向与沿方位角的两类喷注给出不同修正，闭合力改善集中在缝隙附近。
启示与展望
演示范围是 Delphes 快速模拟的 ATLAS 探测器响应，配合人工注入的堆叠依赖、绝对能标畸变与数据—模拟差异；大半径喷注部分使用光子伴随强子衰变 W 玻色子的模拟样本。作者把这项工作定位为原型，并指出下一步可用 Parnassus 一类学习式模拟替代 Delphes。
作者明确说明这是原型研究，使用快速探测器模拟与注入畸变，未处理 in situ 方法的系统不确定度；绝对能标一级以中位数定义闭合，若改用核心峰位，参数化基线在 lo- 情形下闭合略好；数据—模拟一级在未畸变样本以及线性、指数与阶跃畸变上两种方法在样本划分的离散范围内一致，网络仅在二次与依赖堆叠密度的畸变上更好。