[論文レビュー] b tagging in ATLAS and CMS

L. Scodellaro|arXiv (Cornell University)|Sep 5, 2017

Particle physics theoretical and experimental studies被引用数 3

ひとこと要約

この論文は、LHCのRun2期における bottom クォークのハドロン化から生成されるジェットを特定するためのATLASおよびCMSが開発した高度な b タギングアルゴリズムを提示する。多変量解析およびディープラーニング（例：RNNや深層ニューラルネットワーク）を活用することで、b ジェット識別効率とライトクォークの拒否性能が顕著に向上し、データによる検証が行われ、ブーストしたトポロジーおよび将来の高インテンシティ条件に最適化されている。

ABSTRACT

Many physics signals presently studied at the high energy collision experiments lead to final states with jets originating from heavy flavor quarks. This report reviews the algorithms for heavy flavor jets identification developed by the ATLAS and CMS Collaborations in view of the Run2 data taking period at the Large Hadron Collider. The improvements of the algorithms used in 2015 and 2016 data analyses with respect to previous data taking periods are discussed, as well as the ongoing developments in view of the next years of data taking. The measurements of the performance of the algorithms on data as well as the dedicated techniques for the identification of heavy flavor jets in events with boosted topologies are also presented. Finally, the effectiveness of heavy flavor jet identification in the complex environment expected during the high luminosity LHC phase is discussed.

研究の動機と目的

• LHCにおける高エネルギー陽子-陽子衝突において、高度な多変量およびディープラーニング技術を用いてbジェット識別性能を向上させること。
• Run2および将来のHigh Luminosity LHC（HL-LHC）段階における高積層およびブーストトポロジーの課題に対処すること。
• 新しいCMSピクセル検出器などの向上した検出器機器を活用して、bタギングの正確性を高めること。
• 崩壊生成物が重複するブーストしたヒッグスおよびトップクォーク崩壊のための新しいタギングアルゴリズムを開発・検証すること。
• 純粋なトップクォークおよびQCD豊富なサンプルにおけるデータ駆動型スケールファクターと検証を用いて、性能測定を信頼できるものとすること。

提案手法

• 複数の判別子（例：トラックのインパクトパラメータ、二次頂点再構成、ソフトレプトンの存在）を統合して1つのbタギング判別子を生成するための多変量解析（MVA）を採用する。
• ATLASでは再帰的ニューラルネットワーク（RNN）を用いて、順次的なトラック変数を処理し、bジェット崩壊トポロジーのより良いモデリングを可能にする。
• CMSでは、より多くの入力変数を処理し、標準的手法よりも優れた識別性能を実現するため、深層ニューラルネットワーク（例：DeepCSV、DeepFlavour）を用いる。
• ブーストトポロジー再構成のため、大径R=1のカリオメトリックジェットと小径R=0.2のトラックジェットをゴースト連動で照合する。
• 脂肪ジェット内のサブジェット間の角度相関を活用して、H→bbの識別を向上させる専用のダブル-bタギングアルゴリズムを開発する。
• トップクォークおよび半レプトン性崩壊で豊富なデータサンプルを用いて、シミュレーションバイアスを補正するためのbタギング効率スケールファクターを測定する。

実験結果

リサーチクエスチョン

• RQ1 MVAベースのbタギングアルゴリズムは、Run1手法と比較して、どのようにbジェット識別効率とライトクォーク拒否性能を向上させるか？
• RQ2 RNNや深層ニューラルネットワークなどのディープラーニング技術は、高積層環境下で、bタギング性能をどの程度向上させ得るか？
• RQ3 大径コアリメトリックジェットとトラック構造を用いた場合、bクォークに崩壊するブーストしたヒッグスボソンを識別する最適な戦略は何か？
• RQ4 アップグレードされたCMSピクセル検出器などの新しい検出器部品は、bタギング性能および二次頂点の分解能にどのように影響を与えるか？
• RQ5 High Luminosity LHC段階で予想される極端な条件下でも、bタギングアルゴリズムは高い性能を維持できるか？

主な発見

• ATLASのRNNIPタギングでは、トラック単位の変数のみを用いても、従来のインパクトパラメータベースのアルゴリズムを上回るbジェット識別性能を達成している。
• CMSのDeepCSVアルゴリズムは、2017年導入の新しいピクセル検出器からのデータでトレーニングされたが、前回のバージョンと比較して性能が明確に向上し、0.1%の誤タギング率における効率が4%向上した。
• CMSの新しいDeepFlavourタギングは、予備的な結果に基づき、0.1%の誤タギング確率でDeepCSVに対して4%の効率向上が見込まれている。
• ブーストしたH→bb崩壊の識別において、2つの一致するトラックジェットが非対称なbタギング基準を満たすことを要件とすることで、最も高い性能が得られ、単一ジェットやサブジェットタギングを上回っている。
• CMSのダブル-bタギングは、bクォーク崩壊生成物間の角度相関を活用しており、標準的なファットジェットおよびサブジェットbタギングを上回り、H→bb崩壊の識別性能に優れている。
• ATLASおよびCMSのbタギング性能スケールファクターは、t¯tおよびミュオン豊富なサンプルからのデータを用いて高精度に測定されており、物理解析における信頼できるキャリブレーションが可能になっている。