[論文レビュー] Deep-learned Top Tagging using Lorentz Invariance and Nothing Else

Anja Butter, Gregor Kasieczka+2 more|arXiv (Cornell University)|Jul 27, 2017

Particle physics theoretical and experimental studies被引用数 5

ひとこと要約

この論文は、ローレンツベクトルとミンコフスキー計量を用いて、コンパクト・カーディオメーターおよびトラッキングデータを処理する深層ニューラルネットワーク・タッカーを提示する。ローレンツ不変性を根本的な帰納的バイアスとして活用することで、QCDにインspiredされた手法や画像ベースの手法と比較して、特に高ブースト状態において優れた性能を達成する。

ABSTRACT

We introduce a new and highly efficient tagger for hadronically decaying top quarks, based on a deep neural network working with Lorentz vectors and the Minkowski metric. With its novel machine learning setup and architecture it allows us to identify boosted top quarks not only from calorimeter towers, but also including tracking information. We show how the performance of our tagger compares with QCD-inspired and image-recognition approaches and find that it significantly increases the performance for strongly boosted top quarks.

研究の動機と目的

• 高エネルギー物理学におけるブーストドトップクォークのための高効率なトップクォークタッカーの開発を目的とする。
• ディープラーニングにおける一般化性能の向上を図るため、ローレンツ不変性を構造的帰納的バイアスとして活用することを目的とする。
• 1つのディープラーニングフレームワーク内でコンパクト・カーディオメーターおよびトラッキング情報を統合し、タッキング精度を向上させることを目的とする。
• 特に高ブースト状態において、既存のQCDにインスパイアされた手法および画像認識ベースのタッキング手法を上回ることを目的とする。

提案手法

• モデルは、ジャケットの原始的なローレンツベクトルを入力とし、4次元運動量の情報を保持する。
• ネットワークの内部表現におけるローレンツ不変性を保証するために、ミンコフスキー計量を採用する。
• アーキテクチャは、同時にコンパクト・カーディオメーター・タワー情報とトラッキング情報を処理できるように設計されている。
• エンドツーエンド学習を用いて、ハドロン的に崩壊するトップクォークの識別をネットワークに学習させる。
• 画像ベースの表現を避ける代わりに、幾何学的不変性の原則に依存する。

実験結果

リサーチクエスチョン

• RQ1 ローレンツ不変性は、トップクォークタッキングのためのディープニューラルネットワークに、帰納的バイアスとして効果的に組み込むことができるか？
• RQ2 ローレンツ不変性を有するディープラーニング手法は、QCDにインスパイアされた手法および画像ベースの手法と比較して、どのように異なるか？
• RQ3 トラッキング情報を組み込むことで、ブースト状態におけるトップクォークタッキング性能はどの程度向上するか？
• RQ4 画像変換を経ない原始的なローレンツベクトルの使用は、一般化性能および正確性の向上に寄与するか？

主な発見

• 提案されたタッカーは、高ブースト状態のトップクォークを識別するうえで、QCDにインスパイアされた手法および画像認識ベースの手法を著しく上回る性能を発揮する。
• モデルは、アーキテクチャにミンコフスキー計量を用いてローレンツ不変性を活用することで、優れた性能を達成する。
• コンパクト・カーディオメーター・データに加えてトラッキング情報を統合することで、画像ベースの前処理を必要とせずにタッキング効率が向上する。
• 広いブーストレベルの範囲で高い性能を維持し、特に挑戦的な高ブースト状況において顕著な向上を示す。