[論文レビュー] Discrimination between prompt and long-lived particles using convolutional neural network

Biplob Bhattacherjee, Swagata Mukherjee+1 more|arXiv (Cornell University)|Apr 9, 2019

Particle physics theoretical and experimental studies参考文献 28被引用数 3

ひとこと要約

この論文は、LHCのデータにおけるプロンプト粒子と長寿命粒子を区別するために畳み込みニューラルネットワーク（CNN）を用いることを提案している。この手法は、バリエーションのないBSMのシナリオにおいて、即時的でないジェットの特徴をプロンプトのものと区別するのに成功し、CNNが標準模型を超える新しい物理の探査に強力なツールである可能性を示している。

ABSTRACT

Sophisticated machine learning techniques, like computer vision, are state of the art in modern day research. These technologically advanced algorithms have promising potential in search for physics beyond Standard Model in Large Hadron Collider (LHC). Most of the computer vision tasks are surrounded around convolutional neural networks (CNN), which can provide powerful tools for differentiating between patterns of calorimeter energy deposits by prompt particles of Standard Model and long-lived particles predicted in various models beyond the Standard Model. We demonstrate the usefulness of CNN by using a couple of physics examples from well motivated BSM scenarios predicting long-lived particles giving rise to displaced jets. Our work suggests that modern machine-learning techniques have potential to discriminate between energy deposition patterns of prompt and long-lived particles, and thus, they can be useful tools in such searches.

研究の動機と目的

• 高エネルギー物理学実験における、崩壊がずれた長寿命粒子を同定する課題に対処すること。
• 深層学習技術が、プロンプト粒子と長寿命粒子の間のエネルギー付加パターンを効果的に区別できるかどうかを調査すること。
• 長寿命粒子を含む現実的なBSMシナリオにおいて、CNNがずれたジェットを検出する性能を評価すること。
• LHCにおける標準模型を超える物理の探査における感度を向上させるためのデータ駆動型アプローチを提供すること。

提案手法

• 本研究では、コンvolutional Neural Networks (CNN) を用いて、コロリメータ内のエネルギー付加の空間的パターンを分析する。
• 入力データは、プロンプト粒子と長寿命粒子がずれたジェットに崩壊する場合のエネルギー付加を表す、シミュレートされた検出器の画像から構成される。
• CNNは、エネルギー付加の形態に基づいて、イベントをプロンプト崩壊または長寿命粒子崩壊のいずれかに分類するように訓練される。
• この手法は、CNNの階層的特徴抽出能力を活用し、シャワーのパターンにおける微細な空間的差を検出する。
• 本手法は、長寿命粒子がずれたジェットを生成すると予測するベンチマークモデルで検証された。

実験結果

リサーチクエスチョン

• RQ1 CNNは、LHCのコロリメータにおけるプロンプト粒子と長寿命粒子のエネルギー付加パターンを効果的に区別できるか？
• RQ2 従来の分析手法と比較して、CNNは長寿命粒子から生じるずれたジェットをどれほどうまく同定できるか？
• RQ3 長寿命粒子を含む現実的なBSMシナリオにおいて、CNNの識別能力はどの程度か？
• RQ4 深層学習は、長寿命粒子の探査におけるバックグラウンドの汚染をどの程度低減できるか？

主な発見

• CNNは、コロリメータ内のエネルギー付加の空間的分布に基づいて、プロンプト粒子と長寿命粒子のシグナルを成功裏に区別した。
• この手法は、BSMモデルにおける長寿命粒子の主要なシグナルであるずれたジェットの同定において、高い識別能力を示した。
• 本研究では、CNNが従来の分析では困難な微細なシャワーパターンの形態的差を検出できることを確認した。
• 結果から、深層学習技術がLHCにおける新しい物理の探査の感度を顕著に向上させられると示唆された。