[論文レビュー] Identifying the Quantum Properties of Hadronic Resonances using Machine Learning

Jakub Filipek, S.‐C. Hsu+3 more|arXiv (Cornell University)|May 10, 2021

Particle physics theoretical and experimental studies参考文献 87被引用数 5

ひとこと要約

本稿では、大型ハドロン衝突型加速器（LHC）におけるバリオン状態の量子数（特にスピンおよび色表現）を特定するために、ジェット画像に畳み込みニューラルネットワーク（CNN）を適用する手法を提案する。ジェット内の全放射パターンを活用することで、従来の部分構造技術に比べて顕著に性能を向上させ、特に色スリム状態と八重項状態の区別、および異なるスピン状態の区別において顕著な改善が得られる。ログスケーリングおよび$l_1$正規化を施したジェット画像が分類に最も適していることが判明した。

ABSTRACT

With the great promise of deep learning, discoveries of new particles at the Large Hadron Collider (LHC) may be imminent. Following the discovery of a new Beyond the Standard model particle in an all-hadronic channel, deep learning can also be used to identify its quantum numbers. Convolutional neural networks (CNNs) using jet-images can significantly improve upon existing techniques to identify the quantum chromodynamic (QCD) (`color') as well as the spin of a two-prong resonance using its substructure. Additionally, jet-images are useful in determining what information in the jet radiation pattern is useful for classification, which could inspire future taggers. These techniques improve the categorization of new particles and are an important addition to the growing jet substructure toolkit, for searches and measurements at the LHC now and in the future.

研究の動機と目的

• LHCにおけるハドロン的崩壊する励起状態の量子数（スピン、色荷）を特定するためのディープラーニング手法の開発。
• ジェット放射パターンに含まれるすべての情報を活用することで、従来の部分構造技術を凌駕する。
• 同一の最終状態を示すが異なる量子数を持つ様々なBSM（標準模型を超える）モデルの間を、CNNによるジェット画像分類で区別する性能を評価する。
• 前処理およびジェットグローミングの分類性能への影響を調査する。
• 学習されたフィルターや注目マップの可視化により、分類に最も寄与するジェット放射パターンの特徴を特定することで解釈可能性を向上させる。

提案手法

• シミュレートされたハドロン的崩壊イベントから、$65 \times 65$ピクセルのグリッドを用いて検出器内でのエネルギー堆積を表現するジェット画像を生成する。
• 回転、対数スケーリング、$l_1$正規化を施すことで前処理を行い、モデルの汎化性能と性能を向上させる。
• 2次元畳み込みニューラルネットワーク（CNN）を用い、入力特徴が空間的およびエネルギー分布パターンを捉えるように、ジェット画像の部分構造に基づいて励起状態を分類する。
• ベンチマーク用のBSM励起状態（$Z'$、色子（$C_\mu$）、ヒッグスに類似した状態（$H$）、励起クォーク（$q^*$）など）のペアワイズ分類タスクを用いてモデルを訓練および評価する。
• 性能は、真陽性率（TPR）が0.5である状況での偽陽性率（FPR）を指標として測定し、前処理およびグローミングに関するアブレーションスタディを実施する。
• 学習されたフィルターや注目マップの可視化により、分類に寄与する特徴を特定する。

実験結果

リサーチクエスチョン

• RQ1 ジェット画像におけるディープラーニングは、量子数が異なるハドロン的崩壊共振状態を区別する際、従来の部分構造観測量を上回る性能を示せるか？
• RQ2 正規化、ログスケーリング、回転といった前処理ステップの中で、量子数特定の分類性能向上に最も寄与するのはどれか？
• RQ3 ジェットグローミング（例：トリミング）は、色表現が異なるが他は同一の励起状態を区別するCNNの能力にどのように影響を与えるか？
• RQ4 ジェット放射パターン内のどの特徴が、スピンおよび色の量子数を特定するうえで最も情報量が多いか？
• RQ5 CNNは、同一の最終状態を示すが異なる量子数を持つ励起状態に対しても、どの程度一般化性能を示せるか？

主な発見

• CNNモデルは、色スリム状態の$Z'$と色八重項状態の色子（$C_\mu$）を区別する際、真陽性率（TPR）が0.5の条件下で偽陽性率（FPR）0.12を達成し、従来手法を著しく上回った。
• ジェット画像にログスケーリングを施し、$l_1$正規化を適用することでFPRが0.12に低下し、$l_2$、Zスコア、最小最大正規化などの手法を上回った。
• ジェット画像の回転処理は性能に顕著な影響を及げず、方向不変性が自然に学習されていることが示唆された。
• サブジェットの$p_T$割合が5%未満のものを除去したトリミング済みジェットは、トリミングなしのジェットに比べてCNNの性能を向上させた。これは、グローミングが微細な差を捉える特徴抽出を強化している可能性を示している。
• スピンが異なる状態（例：スピン-0のヒッグスに類似した状態とスピン-1の$Z'$）や色表現が異なる状態を、ある程度の精度で区別できたが、最終状態の区別に比べて精度は低かった。
• 可視化により、CNNが色流れに起因する角度相関や放射パターンを学習しており、特にスリム状態と八重項状態の崩壊を区別する特徴を抽出していることが明らかになった。