[論文レビュー] Jet Constituents for Deep Neural Network Based Top Quark Tagging

J. Pearkes|arXiv (Cornell University)|Apr 7, 2017

Particle physics theoretical and experimental studies参考文献 21被引用数 34

ひとこと要約

本論文では、ピxls化や高レベル特徴抽出を経由せずに、順序付きのジェット成分の順序列を入力として処理する深層ニューラルネットワーク（DNN）手法を提案し、ジェットの完全な情報を保持する。この手法は、横断的運動量が600–2500 GeVの再構成レベルのジェットに対して、50%の信号効率で45のバックグラウンド拒否を達成し、LHCラン2で想定される積み上げ効果に対しても頑健である。

ABSTRACT

Recent literature on deep neural networks for tagging of highly energetic jets resulting from top quark decays has focused on image based techniques or multivariate approaches using high-level jet substructure variables. Here, a sequential approach to this task is taken by using an ordered sequence of jet constituents as training inputs. Unlike the majority of previous approaches, this strategy does not result in a loss of information during pixelisation or the calculation of high level features. The jet classification method achieves a background rejection of 45 at a 50% efficiency operating point for reconstruction level jets with transverse momentum range of 600 to 2500 GeV and is insensitive to multiple proton-proton interactions at the levels expected throughout Run 2 of the LHC.

研究の動機と目的

• ピxls化や高レベル特徴抽出による情報損失を回避するため、生のジェット成分順序列を用いたトップクォークタギング手法の開発。
• 横断的運動量が600–2500 GeVの範囲にある高エネルギーのブーストジェットにおけるバックグラウンド拒否の向上。
• LHCラン2レベルの積み上げ効果に対する頑健性の評価。
• 明示的な高レベル変数に依存せずに、意味のある部分構造特徴をDNNが学習しているかの調査。
• 高エネルギー物理学におけるジェットタギングにおける、順序ベースの深層学習アーキテクチャの可能性の探求。

提案手法

• モデルは、ジェット成分の4元運動量の順序列を入力として処理し、ジェットの完全な運動量的情報を保持する。
• 入力の順序と前処理を設計し、物理的ジェット特性を維持するように、順序付きジェット成分データ上で全結合型の順方向DNNを訓練する。
• バイナリクロスエントロピー損失関数を用いて、ジェットをトップクォーク崩壊（信号）またはQCDジェット（バックグラウンド）に分類するようにネットワークを訓練する。
• データ前処理には正規化と横断的運動量に基づく成分の順序付けが含まれ、モデルの一般化性能を向上させる。
• 深さや幅の異なるさまざまな構造設定、すなわちテーパード構造やドロップアウト正則化付きバージョンを含むアーキテクチャを評価する。
• 積み上げ効果の異なるシナリオとジェットのブースティング状態の下でテストを行い、頑健性を評価する。

実験結果

リサーチクエスチョン

• RQ1 生のジェット成分を用いた順序付きDNNアプローチは、従来の画像ベースや多次元部分構造手法を上回る性能を発揮するか？
• RQ2 高レベル特徴と比較して、成分レベルの完全な情報を保持することで、バックグラウンド拒否がどの程度向上するか？
• RQ3 LHCラン2レベルの積み上げ効果に対して、DNNの性能はどの程度頑健か？
• RQ4 明示的にそれらの変数を学習させない状況下でも、DNNはジェット質量やτ32といった既知の部分構造変数を暗黙的に学習しているか？
• RQ5 LSTMなどの代替アーキテクチャは、順序ベースジェットタギングにおいて性能をさらに向上させ得るか？

主な発見

• 再構成レベルのジェットにおいて、横断的運動量が600–2500 GeVの範囲で、50%の信号効率におけるバックグラウンド拒否要因が45に達する。
• 真値レベルの粒子ジェットでは、同じ50%の効率点でバックグラウンド拒否が65に達し、部分素粒子レベルの情報に対して優れた性能を示す。
• LHC 2016年の積み上げ状況下でも、性能に顕著な低下が見られず、複数の陽子-陽子衝突に対する頑健性を示している。
• ネットワーク出力はジェット質量と強く相関しており、τ32とは中程度の相関を示しており、明示的な監視なしに重要な部分構造特徴を学習していることが示唆される。
• ネットワーク出力とジェットの横断的運動量との間に相関は観察されず、分類にpTに依存していないことが確認された。
• 深層ネットワーク、テーパード構造、ドロップアウト正則化などのアーキテクチャ変種は性能向上をもたらさず、この設定ではデフォルトアーキテクチャがほぼ最適であることが示唆された。