[論文レビュー] Bidirectional Long Short-Term Memory (BLSTM) neural networks for reconstruction of top-quark pair decay kinematics

Fardin Syed, R. Di Sipio+1 more|arXiv (Cornell University)|Sep 3, 2019

Particle physics theoretical and experimental studies被引用数 4

ひとこと要約

本稿では、13 TeVの陽子-陽子衝突におけるミュオン＋ジェットチャンネルで、トップクォーク対崩壊の運動量を再構築するための、双方向LSTM（BLSTM）ニューラルネットワーク「AngryTops」を提案する。MadGraph5、Pythia8、Delphes3でシミュレートされたモンテカルロイベントで訓練されたモデルは、標準的な $χ^2$-フィット法と同等の再構築性能を達成しており、高エネルギー物理学における確率的運動量再構築に深層学習を適用する可能性を示している。

ABSTRACT

A probabilistic reconstruction using machine-learning of the decay kinematics of top-quark pairs produced in high-energy proton-proton collisions is presented. A deep neural network whose core consists of a Bidirectional Long Short-Term Memory (BLSTM) is trained to infer the four-momenta of the two top quarks produced in the hard scattering process. The MadGraph5+Pythia8 Monte Carlo event generator is used to create a sample of top-quark pairs decaying in the $\\mu$+jets channel, whose final-state objects are used to create the input to the deep neural network. Distortions due to limited resolution of the experimental apparatus are simulated with the Delphes3 fast detector simulator. The level of agreement between the Monte Carlo predictions and the BLSTM for kinematic distributions at parton level is comparable to that obtained using a benchmark method that finds the jet permutation that minimizes an objective function.

研究の動機と目的

• 高エネルギー陽子-陽子衝突におけるトップクォーク対崩壊運動量再構築のための機械学習ベースの手法を開発すること。
• 検出器のエネルギー分解能に起因するジェットの $p_{\rm T}$ しきい値未満の状況で失敗する従来の再構築手法（例：$χ^2$-フィット）の限界を克服すること。
• BLSTMベースのニューラルネットワークが、トップクォーク、Wボソン、およびボトムクォークの4元運動量を再構築する際、標準的手法と同等または優れた性能を示すかどうかを評価すること。
• 特に低ジェット $p_{\rm T}$ の領域における運動量分布の変動に耐える、モデルの頑健性と一般化性能を調査すること。
• パrametricな転送関数や固定されたジェット順列に依存しない、柔軟で外挿可能な再構築を可能にすること。

提案手法

• 双方向LSTM（BLSTM）コアを備えた深層ニューラルネットワークを、$μ$+ジェット $t\bar{t}$ 崩壊チャンネルの最終状態粒子からトップクォークの4元運動量を推定するように訓練する。
• 行列要素計算にはMadGraph5、パートンシャワイングにはPythia8を用い、一貫性を確保するためMLMマッチングを適用する。
• Delphes3を用いて、追加の $pp$ 相互作用に起因するパイルアップを含む、実際のLHC環境を再現する検出器効果をシミュレートする。
• 入力特徴量には再構築されたミュオン、ジェット、および運動量欠損量が含まれ、主要な粒子に対して $p_{\rm T} > 20$ GeV および $|\eta| < 2.5$ のカットを適用する。
• ネットワークは、2つのトップクォーク、それらの崩壊生成物（Wボソンおよびボトムクォーク）の4元運動量、およびそれらに対応する運動量分布を予測するように訓練される。
• 再構築性能は、部分子レベルのモンテカルロ真値と比較して、$p_{\rm T}$、$\eta$、$\phi$ 分布の一致度を指標として評価される。

実験結果

リサーチクエスチョン

• RQ1 BLSTMベースのニューラルネットワークは、標準的な $χ^2$-フィット法と同等の性能でトップクォーク対崩壊運動量再構築を実現できるか？
• RQ2 従来の手法が失敗する $p_{\rm T} > 20$ GeV のしきい値未満のジェットが存在する状況で、モデルは運動量変数をどの程度正確に再構築できるか？
• RQ3 モンテカルロ真値と比較して、BLSTMモデルはどの程度 $p_{\rm T}$ しきい値および横方向運動量分布の形状を正しく学習しているか？
• RQ4 BLSTMアプローチがWボソンおよび $b$-クォーク運動量再構築において示す限界は何か？ また、$χ^2$-フィットとの比較でどのような差異が生じるか？
• RQ5 ニューラルネットワークが再構築する角度分布（$\eta$、$\phi$）はモンテカルロ真値とどの程度一致するか？ また、観察される非対称性の原因は何か？

主な発見

• BLSTMベースのモデル、AngryTopsは、トップクォークの $p_{\rm T}$ および $\eta$ 分布の再構築性能において、ベンチマークとなる $χ^2$-フィット法と同等の性能を達成した。
• AngryTopsと $χ^2$-フィットの両者とも、トップクォークの $p_{\rm T}$ を類似した方法で低く見積もっており、再構築プロセスに共通の系統的バイアスがある可能性を示唆している。
• AngryTopsは、すべての訓練用ジェットがこの基準を満たしているにもかかわらず、ボトムクォークの横方向運動量を一貫して低く見積もっており、$p_{\rm T} > 20$ GeV のしきい値を学習できていない。
• モデルは $\phi$ および急速度分布に、$χ^2$-フィットにない非対称性を示しており、これはトレーニングセッションによって変動し、不安定性や不完全なトレーニングの兆候である可能性がある。
• Wボソンおよび $b$-クォーク運動量再構築に関しては、両手法とも性能が低く、ニューラルネットワークは $χ^2$-フィットを改善できていない。
• $χ^2$-フィットは $p_{\rm T}$ をわずかに高く見積もっており、$b$-クォーク分布における $p_{\rm T}$ しきい値を正しく反映しているため、$\phi$ 分布の精度においてAngryTopsを上回っている。