Von der Informationsgeometrie zur Jet-Substruktur: Eine Dreifachbeziehung zwischen Kumulanten, Energiekorrelatoren und Hypergraphen

Ein Forscherteam am ETP hat in Zusammenarbeit mit Kollegen aus der theoretischen Hochenergiephysik am ITP kürzlich eine mathematische Äquivalenz zwischen drei scheinbar unterschiedlichen Objekten aufgezeigt: Kumulantentensoren höherer Ordnung aus der Informationsgeometrie, Energiekorrelator-Observablen in der Jet-Physik und gewichtete Hypergraphen aus der Graphentheorie. Die Autoren bezeichnen diese Äquivalenz als „Fisher–Korrelator–Hypergraph-Trialität“.

Am Large Hadron Collider erzeugen Kollisionen zwischen Protonen hochkollimierte Partikelströme, die als Jets bezeichnet werden. Die Charakterisierung der internen Strahlungsmuster dieser Jets ist eine zentrale Herausforderung in der modernen Teilchenphysik. Ein gut begründeter Ansatz nutzt Energiekorrelatoren: Observablen, die quantifizieren, wie die Energie auf Paare, Tripletts oder größere Gruppen von Teilchen bei unterschiedlichen Winkelabständen verteilt ist. Eine zentrale Frage bei der Jetsubstruktur ist, ob ein gegebenes Mehrteilchen-Strahlungsmuster tatsächlich irreduzibel ist – was bedeutet, dass es eine echte gemeinsame Korrelation zwischen drei oder mehr Teilchen widerspiegelt – oder ob es sich um eine zufällige Überlagerung einfacherer paarweiser Effekte handelt. Die Unterscheidung dieser beiden Fälle ist entscheidend für das Verständnis der zugrunde liegenden QCD-Dynamik, die einen Jet formt, sowie für die Unterscheidung von Jets, die aus unterschiedlichen physikalischen Prozessen stammen.

Die neue Arbeit geht von folgender Beobachtung aus: Energiekorrelatoren beschreiben, wie die Energie unter den in solchen Jets vorhandenen Teilchen verteilt ist, und ihre statistischen Fluktuationen über viele Jets hinweg enthalten Informationen über das zugrunde liegende Strahlungsmuster. Die zentrale Erkenntnis ergibt sich in zwei Schritten. Zunächst wird eine endliche Menge solcher Observablen (entweder Energiekorrelatoren oder ähnliche Variablen, die als Energieflusspolynome bekannt sind) als die natürlichen Koordinaten eines lokalen statistischen Modells behandelt, das eine Referenz-Jet-Stichprobe beschreibt. Danach sind die damit verbundenen Fluktuationen höherer Ordnung dieser Observablen – der Teil einer dreifachen oder sogar vierfachen Korrelation, der tatsächlich alle Observablen gemeinsam einbezieht – äquivalent zu den Kumulantentensoren höherer Ordnung des statistischen Modells, von dem angenommen wird, dass es die Observablen (und damit die Jet-Daten) beschreibt. Diese Tensoren sind eine natürliche Erweiterung der bekannten Fisher-Informationsmatrix auf die dritte, vierte und höhere Ordnung, und sie messen, wie gut sich zwei benachbarte Strahlungsmuster unterscheiden lassen, wenn gemeinsame Fluktuationen mehrerer Observablen berücksichtigt werden. In der Praxis bedeutet dies, dass es ein klares, physikalisch aussagekräftiges Objekt gibt, das tatsächlich irreduzible Korrelationen höherer Ordnung unter Jet-Observablen erfasst, getrennt von den paarweisen Korrelationen, die Modelle zweiter Ordnung bereits gut beschreiben.

Dieselben Tensoren spielen dann gleichzeitig eine zweite Rolle: Sie weisen Hyperkanten, die eine Verallgemeinerung von Graphenkanten auf Ordnungen größer als zwei darstellen, auf prinzipielle Weise Gewichte zu. Die Bedeutung liegt darin, was diese Konstruktion ermöglicht. Gewöhnliche Graphen werden im maschinellen Lernen für die Kollisionsphysik weit verbreitet eingesetzt, und Hypergraphstrukturen erweitern dieses Instrumentarium, um echte Mehrpunktkorrelationen zu modellieren. Die Triality bietet eine prinzipielle, physikalisch motivierte Vorgehensweise zur Konstruktion und Gewichtung von Hyperkanten direkt aus Korrelatordaten, anstatt die Hypergraph-Konnektivität als willkürliche architektonische Entscheidung zu behandeln. Dies eröffnet einen Weg zu ausdrucksstärkeren und potenziell besser interpretierbaren Darstellungen der Jet-Substruktur, mit greifbaren Vorteilen für die Komprimierung von Observablen, das Design von Klassifikatoren und die physikalisch informierte Nachrichtenübermittlung in Graphen- und Hypergraph-Neuralnetzwerken.

Diese Arbeit wurde von Postdoc Dr. Aritra Bal durchgeführt, der in der Gruppe von Prof. Dr. Markus Klute und Prof. Dr. Michael Spannowsky tätig ist. Die Ergebnisse sind als Preprint auf arXiv verfügbar und werden nun einem Peer-Review-Verfahren zur Veröffentlichung in einer Fachzeitschrift unterzogen.