大型强子对撞机（LHC）的数据在本质上是稀疏的、不规则的、异质的和高度相关的。而图神经网络（GNN）是一类属于几何深度学习（GDL）领域的算法，非常适合处理此类数据，因为GNN具有明确利用图中编码的局部信息关系归纳偏差。近日，普林斯顿大学Gage DeZoort综述研究了大型强子对撞机上的图神经网络。
本文要点：
1)当其表示稀疏或不规则数据时，图为直线结构提供了一种灵活有效的替代方案，并且可以自然地对异构信息进行编码。由于这些原因，GNN已被应用于许多LHC物理应用，包括从探测器读取重建粒子，以及将物理信号与背景过程区分开来。作者以物理学家和非物理学家都可理解的方式对这些应用进行介绍和分类。
2) 作者旨在弥合粒子物理学和GDL应用之间的差距，并对大型强子对撞机物理学进行了通俗易懂的描述，包括理论、测量、模拟和分析之后，作者概述了GNN在大型强子对撞器中的应用。最后，作者强调了激发物理学和GDL应用之间进一步合作的技术挑战和未来方向。
Gage DeZoort et.al Graph neural networks at the Large Hadron Collider Nature Review Physics 2023
DOI: 10.1038/s42254-023-00569-0
https://doi.org/10.1038/s42254-023-00569-0
