[論文レビュー] ATLAS flavour-tagging algorithms for the LHC Run 2 $pp$ collision dataset

ATLAS Collaboration, Aad, Georges+2964 more|arXiv (Cornell University)|Jan 1, 2022

Particle physics theoretical and experimental studies被引用数 15

ひとこと要約

本論文は、LHCのRun 2におけるATLASで使用する新しいフレーバータギングアルゴリズムを提示する。再帰的および深層ニューラルネットワークを用いて、ジェットのフレーバー識別を向上させる。77%のbジェット効率において、軽いクォークジェットに対して170、 charm ジェットに対して5のリジェクション要因を達成し、ブーストされた意思決定ツリーまたは尤度判別子に基づく従来の手法を著しく上回る性能を示す。

ABSTRACT

The flavour-tagging algorithms developed by the ATLAS Collaboration and used to analyse its dataset of $\sqrt{s} = 13$ TeV pp collisions from Run 2 of the Large Hadron Collider are presented. These new tagging algorithms are based on recurrent and deep neural networks, and their performance is evaluated in simulated collision events. These developments yield considerable improvements over previous jet-flavour identification strategies. At the 77% b-jet identification efficiency operating point, light-jet (charm-jet) rejection factors of 170 (5) are achieved in a sample of simulated Standard Model $t\bar{t}$ events; similarly, at a c-jet identification efficiency of 30%, a light-jet (b-jet) rejection factor of 70 (9) is obtained.

研究の動機と目的

• LHCにおけるトップクォークおよびヒッグスボソン物理学におけるジェットフレーバー識別の向上を目的とする。
• 高多重度・高エネルギー環境下でbジェット、cジェット、および軽いフレーバーのジェットを区別する課題に対処することを目的とする。
• 深層学習を用いて、低レベルおよび高レベルのタギングアルゴリズムを新たに開発・評価し、性能を向上させることを目的とする。
• bおよびcジェットのタギング効率とリジェクションを向上させることで、精密測定および新しい物理現象の探索におけるバックグラウンド汚染を低減することを目的とする。

提案手法

• 本手法は二段階のアプローチを採用する：低レベルのアルゴリズムがトラックおよび頂点から特徴量を抽出し、その後に高レベルの多変量分類器を適用する。
• 低レベルのアルゴリズムには、トラックベースの再帰的ニューラルネットワーク、インパクトパラメータ推定器、二次頂点探索器、トポロジカルなマルチ頂点探索器が含まれる。
• 高レベルのフレーバータギング器は、DL1シリーズの深層学習モデルに基づき、低レベルアルゴリズムの出力を統合して最適な識別を実現する。
• アルゴリズムは、t¯tおよび高質量Z′→qqイベントのハイブリッドモンテカルロサンプルを用いてトレーニングおよび検証され、ジェットpT依存の混合を用いて、全運動量スケールにわたる最適化を図る。
• 性能は、シミュレートされたイベントを用いて評価され、リジェクション要因および所定の作動点における効率といった指標が用いられる。
• 過学習のチェックおよびMCジェネレータ依存性の検証が実施され、モデルの頑健性と一般化能力を確保する。

実験結果

リサーチクエスチョン

• RQ1 再帰的および深層ニューラルネットワークは、従来のブーストされた意思決定ツリーと比較して、bおよびcジェットタギング性能をどのように向上させるか？
• RQ2 高レベルのフレーバータギングに最適な低レベル特徴量（例：インパクトパラメータ、二次頂点）の組み合わせは何か？
• RQ3 新しいアルゴリズムの性能は、異なるジェット横断的運動量領域およびMCジェネレータモデルにおいてどのように変化するか？
• RQ4 新しいアルゴリズムは、過学習をどの程度低減し、多様なイベントジェネレータ間で頑健性を維持できるか？

主な発見

• 77%のbジェット識別効率において、アルゴリズムはシミュレートされたt¯tイベントで軽いクォークジェットに対して170のリジェクション要因、cジェットに対して5のリジェクション要因を達成した。
• 30%のcジェット識別効率において、アルゴリズムは軽いクォークジェットに対して70のリジェクション要因、bジェットに対して9のリジェクション要因を達成した。
• インserTable Bレイヤー（IBL）のトラッキングシステムへの統合により、固定されたbジェット効率で軽いフレーバーのジェットリジェクションが最大4倍向上した。
• 新しい深層学習ベースのアルゴリズムは、尤度判別子やブーストされた意思決定ツリーに基づく従来の手法を著しく上回る性能を示した。
• 系統的チェックの結果、過学習は最小限に抑えられ、異なるモンテカルロジェネレータモデル間で安定した性能が得られた。
• 部分線ショワーおよびフラグメンテーションモデルの変動に対してもアルゴリズムは頑健であることが示され、強力な一般化能力を示した。