# 喷注标记

高能物理中的喷注分类器长期以准确率为主要评价，却难以说明其判断是否对应喷注内部的辐射结构。研究者用Kolmogorov-Arnold网络（KAN）在已训练模型局部拟合扰动响应，再从代理的混合偏导提取二体、三体相互作用分数，与两点、三点能量关联函数的贡献排序做秩相关比较。在JetClass数据上，Particle Transformer的二体对齐明显为正，而标准多头注意力基线未表现出类似对齐；三体对齐两者都较弱，ParT仍更强且误差棒排除零相关。

高能物理中的喷注分类器长期以准确率为主要评价，却难以说明其判断是否对应喷注内部的辐射结构。研究者用Kolmogorov-Arnold网络（KAN）在已训练模型局部拟合扰动响应，再从代理的混合偏导提取二体、三体相互作用分数，与两点、三点能量关联函数的贡献排序做秩相关比较。在JetClass数据上，Particle Transformer的二体对齐明显为正，而标准多头注意力基线未表现出类似对齐；三体对齐两者都较弱，ParT仍更强且误差棒排除零相关。

高亮度大型强子对撞机的径迹重建通常只保留横动量较高的带电粒子，横动量门槛会丢掉九成以上的粒子。AlphaHits-TrackFormer改为直接处理完整TrackML事例中的像素与条带探测器命中，不对目标径迹设横动量选择，在820个测试事例上取得0.959的TrackML得分。同一框架经径迹预训练后联合微调，用共享的命中级表示同时输出径迹、喷注、喷注味和事例级观测量，Higgs事例分类AUC达0.944。

高亮度大型强子对撞机的径迹重建通常只保留横动量较高的带电粒子，横动量门槛会丢掉九成以上的粒子。AlphaHits-TrackFormer改为直接处理完整TrackML事例中的像素与条带探测器命中，不对目标径迹设横动量选择，在820个测试事例上取得0.959的TrackML得分。同一框架经径迹预训练后联合微调，用共享的命中级表示同时输出径迹、喷注、喷注味和事例级观测量，Higgs事例分类AUC达0.944。

对已训练好的物理代理模型，可以在测试时按对称群对输入变换、把输出变换回来再平均，从而在不改结构、不重训的前提下强制对称。紧致群上这一做法有已知的风险不增保证，并在 The Well 的多个代理模型上降低了误差；对单位缩放群和洛伦兹群这类非紧致群，归一化平均不再成立，Weyl 技巧与框架平均只在分布外或低数据情形带来明显收益，而直接用不变特征训练的模型与之相当或更好。

对已训练好的物理代理模型，可以在测试时按对称群对输入变换、把输出变换回来再平均，从而在不改结构、不重训的前提下强制对称。紧致群上这一做法有已知的风险不增保证，并在 The Well 的多个代理模型上降低了误差；对单位缩放群和洛伦兹群这类非紧致群，归一化平均不再成立，Weyl 技巧与框架平均只在分布外或低数据情形带来明显收益，而直接用不变特征训练的模型与之相当或更好。

高能物理探测器数据可以被压成离散词元，径迹与顶簇词元化在约4–11倍压缩下把喷注分辨率守在1%以内，量能器单元仍略高于该目标。

高能物理探测器数据可以被压成离散词元，径迹与顶簇词元化在约4–11倍压缩下把喷注分辨率守在1%以内，量能器单元仍略高于该目标。