AI 與世界的難題 · 物理學 · arXiv · 2026-10-21
這是 SParTA：用於噴流標記的模組化、高效率且可擴充 Transformer 架構
原標題: This is SParTA: A modular, efficient and scalable transformer architecture for jet-tagging
高能對撞機中的噴流標記面臨對所有噴流組成粒子進行完整自注意力的二次方記憶體成本。SParTA 僅對依橫向動量遞減排序的 N 個最硬組成粒子應用二次交互注意力，並透過線性交叉注意力整合其餘的軟組成粒子，同時從四維動量動態計算成對特徵。一個 300K 參數的模型在夸克-膠子標記上達到 92.02% AUC 與 85.06% 準確率，以七分之一的參數量媲美 2.14M 參數的 Particle Transformer，並在 30% 訊號效率下的背景排除上較 IAFormer 高出 21%；而在增強頂夸克標記方面，它以 511K 參數勝過 ParT 與 ParticleNet。