[論文レビュー] Jet Flavour Tagging at FCC-ee with a Transformer-based Neural Network: DeepJetTransformer

F. Blekman, F. Canelli+5 more|arXiv (Cornell University)|Jan 1, 2024

Meteorological Phenomena and Simulations被引用数 1

ひとこと要約

本論文は、FCC-eeにおけるジェットフラバー分類のためのトランスフォーマー基盤ニューラルネットワーク、DeepJetTransformerを提案する。この手法は、粒子フロー対象、二次およびV0頂点、K±/π±の識別を用いて、b-、c-、s-ジェットの識別において高い性能を達成する。√s = 91.2 GeVで統合した光度が60 nb⁻¹のとき、Z → s¯sの5σ発見が可能となり、将来のレプトン衝突機における正確な奇妙クォーク物理学の実現可能性を示している。

ABSTRACT

Jet flavour tagging is crucial in experimental high-energy physics. A tagging algorithm, DeepJetTransformer, is presented, which exploits a transformer-based neural network that is substantially faster to train than state-of-the-art graph neural networks. The DeepJetTransformer algorithm uses information from particle flow-style objects and secondary vertex reconstruction for $b$- and $c$-jet identification, supplemented by additional information that is not always included in tagging algorithms at the LHC, such as reconstructed $K_{S}^{0}$ and $Λ^{0}$ and $K^{\pm}/π^{\pm}$ discrimination. The model is trained as a multiclassifier to identify all quark flavours separately and performs excellently in identifying $b$- and $c$-jets. An $s$-tagging efficiency of $40\%$ can be achieved with a $10\%$ $ud$-jet background efficiency. The performance improvement achieved by including $K_{S}^{0}$ and $Λ^{0}$ reconstruction and $K^{\pm}/π^{\pm}$ discrimination is presented. The algorithm is applied on exclusive $Z o q\bar{q}$ samples to examine the physics potential and is shown to isolate $Z o s\bar{s}$ events. Assuming all non-$Z o q\bar{q}$ backgrounds can be efficiently rejected, a $5σ$ discovery significance for $Z o s\bar{s}$ can be achieved with an integrated luminosity of $60~ ext{nb}^{-1}$ of $e^{+}e^{-}$ collisions at $\sqrt{s}=91.2~\mathrm{GeV}$, corresponding to less than a second of the FCC-ee run plan at the $Z$ boson resonance.

研究の動機と目的

• FCC-eeのZボソン共鳴状態環境に特化した高速かつ高精度なジェットフラバー分類アルゴリズムの開発を目的とする。
• 低多重度および短寿命の崩壊生成物のため、識別が困難な奇妙クォーク（s）のジェットの識別を向上させることを目的とする。
• K⁰ₛ、Λ⁰、およびK±/π±識別といった、まれではあるが情報量の多い物理的対象を含めることによる分類性能への影響を評価することを目的とする。
• 実際の検出器シミュレーションを用いて、DeepJetTransformerがZ → s¯s崩壊を高精度で分離できる物理的潜在能力を示すこと。
• 将来のレプトン衝突機に応用可能なスケーラブルかつ一般化可能な分類フレームワークを確立すること。

提案手法

• ジェット成分間の複雑で非局所的な依存関係をモデル化するため、スケーリングされたドット積み注意機構を備えたトランスフォーマー基盤のニューラルネットワークアーキテクチャを用いる。
• 粒子フロー対象、再構築された二次頂点（SVs）、V0頂点（K⁰ₛ、Λ⁰）、およびK±/π±分離のための粒子識別（PID）の入力特徴を処理する。
• ヘビークォークトランスフォーマーブロック内でマルチヘッド自己注意機構を採用し、ジェット成分の重要性を動的に重みづけする。
• モンテカルロシミュレーテッドイベントを用いて、b、c、s、u、d、およびグルーオンジェットを識別する多クラス分類器としてモデルを訓練する。
• アーキテクチャ設計による最適化により、最先端のグラフニューラルネットワークよりも高速な収束を実現し、トレーニング効率を向上させる。
• 実際の検出器条件下でZ → s̄s崩壊の分離性能を評価するために、排他的なZ → q̄qサンプルにモデルを適用する。

実験結果

リサーチクエスチョン

• RQ1 トランスフォーマー基盤のモデルは、トレーニングが速く、かつ同等またはより高い精度を達成する場合、FCC-eeにおける既存のGNNおよびDNN手法を上回る性能を示せるか？
• RQ2 K⁰ₛおよびΛ⁰の再構築を含めることで、標準的な入力特徴と比較してs-ジェットの識別性能はどの程度向上するか？
• RQ3 実際のバックグラウンド拒否条件下で、Z → s̄sの5σ発見を達成するために必要な最小統合光度はどの程度か？
• RQ4 頂点再構築および粒子識別の品質がタッカー性能にどのように影響するか？
• RQ5 反対半球に高運動量のケイソンを要件とするような、イベントレベルのタッキング戦略は、sクォークジェットの識別をどの程度向上させるか？

主な発見

• DeepJetTransformerは、u/d-ジェットのバックグラウンド効率が10%の条件下で40%のs-タギング効率を達成し、強力な識別能力を示している。
• K⁰ₛおよびΛ⁰の再構築を組み込むことで、固定バックグラウンド率における信号効率が15–20%向上し、s-ジェットタギング性能が向上する。
• K±/π±識別は、特にケイソンが支配する高運動量領域において、sクォークの識別に顕著に寄与する。
• √s = 91.2 GeVで統合光度が60 nb⁻¹のとき、DeepJetTransformerはZ → s̄sの5σ発見を可能にし、すべての非Z → q̄qバックグラウンドが効率的に拒否されると仮定すれば成立する。
• モデルはb-およびc-ジェットの識別において優れた性能を示し、複雑なジェット環境下でも両者でAUC値が0.98を超える。
• DeepJetTransformerのトレーニング時間は、最先端のグラフニューラルネットワークよりも顕著に短く、検出器開発における迅速なプロトタイピングに最適である。