[論文レビュー] Jet tagging in the Lund plane with graph networks

Frédéric A. Dreyer, H. Qu|arXiv (Cornell University)|Dec 15, 2020

Particle physics theoretical and experimental studies参考文献 60被引用数 4

ひとこと要約

本論文では、Lund平面のクラスタリング履歴を用いてジェットを表現する、グラフニューラルネットワークベースのジェットタギング手法LundNetを提案する。対象となるジェットのペアワイズ放出からの運動量特徴を用いることで、トップおよびWボソンタギングの性能が向上する。状態のアート（SOTA）の結果を達成しており、特にトップタギングにおいて顕著な向上を示す。また、学習時間を10倍短縮し、Lund平面における運動量特徴のカットにより、非摂動的効果に対する耐性が向上する。

ABSTRACT

The identification of boosted heavy particles such as top quarks or vector bosons is one of the key problems arising in experimental studies at the Large Hadron Collider. In this article, we introduce LundNet, a novel jet tagging method which relies on graph neural networks and an efficient description of the radiation patterns within a jet to optimally disentangle signatures of boosted objects from background events. We apply this framework to a number of different benchmarks, showing significantly improved performance for top tagging compared to existing state-of-the-art algorithms. We study the robustness of the LundNet taggers to non-perturbative and detector effects, and show how kinematic cuts in the Lund plane can mitigate overfitting of the neural network to model-dependent contributions. Finally, we consider the computational complexity of this method and its scaling as a function of kinematic Lund plane cuts, showing an order of magnitude improvement in speed over previous graph-based taggers.

研究の動機と目的

• 大型ハドロン衝突型加速器（LHC）におけるブースト状態の重い粒子（トップクォークやWボソンなど）を特定する、耐障害性が高く高性能なジェットタギング手法の開発。
• 深層学習ベースのタガーモデルが訓練データにおけるモデル依存のモンテカルロ効果に依存しすぎることによる過学習の問題に取り組む。
• Lund平面におけるジェットクラスタリングの階層的構造を活用することで、より高速な学習および推論を実現し、計算効率を向上させる。
• 非摂動的寄与を抑えるためにLund平面における運動量特徴のカットを組み込むことで、実験データへの一般化性能を向上させる。
• 最小限の運動量特徴入力で、スケーラブルで解釈可能なグラフニューラルネットワークフレームワークを提供し、ジェット構造解析を実現する。

提案手法

• 各ジェットをグラフとして表現し、ノードはCAクラスタリングツリーからのLund分解に対応させ、ノード特徴として運動量特徴（Δおよびkt）を用いる。
• 階層的ジェットクラスタリング構造を介して情報を集約するため、グラフ畳み込みネットワーク（GCN）を用い、効果的なサブストラクチャー学習を実現する。
• Lund平面におけるktカットを適用し、低kt放出を除去することで、グラフサイズを縮小し、非摂動的効果および検出器のスメアリングに対する耐性を向上させる。
• 2つのバリアントを訓練：LundNet-3（3次元入力：Δ、kt、およびジェット質量）とLundNet-5（5次元入力：zおよびθ変数を追加）。性能と複雑さの比較を可能にする。
• Lund分解の木構造を活用したメッセージパッシングアーキテクチャを採用し、ノード間を効率的に情報伝達する。
• 最近接探索を回避し、ノードあたりのエッジ数を制限することで計算コストを削減し、従来のグラフベースタガーモデルと比較して約10倍高速な学習および推論を実現する。

実験結果

リサーチクエスチョン

• RQ1 Lund平面表現のジェットにグラフニューラルネットワークを適用することで、既存のSOTA手法と比較して、トップおよびWボソンタギングの性能が向上するか？
• RQ2 Lund平面における運動量特徴のカットを組み込むことで、非摂動的および検出器効果に対するグラフベースタガーモデルの耐性はどのように変化するか？
• RQ3 簡略化された運動量特徴入力（例：LundNet-3）は、モンテカルロ訓練データにおけるモデル依存特徴への感受性を低減しつつ、高い性能を維持できるか？
• RQ4 Lund分解の数に対して、学習および推論時間のスケーリング特性はどのように変化するか？また、運動量フィルタリングにより最適化可能か？
• RQ5 従来のグラフベースタガーモデルと比較して、性能を損なわずに著しく高速化可能なグラフベースフレームワークは構築可能か？

主な発見

• LundNet-5はpt > 500 GeVにおけるトップタギングでAUC 0.987を達成し、ParticleNet（AUC 0.983）を上回り、高い信号効率におけるバックグラウンド排除性能が顕著に向上した。
• εS = 0.5の条件下で、LundNet-5はトップタギングにおいてバックグラウンド排除率609.8を達成した。LundNet-3は500.0、ParticleNetは480.8であった。
• pt > 2 TeVにおけるWタギングにおいて、LundNet-5はεS = 0.5でバックグラウンド排除率12,500を達成し、ParticleNetの8,333.3を上回った。
• 1ジェットあたりの推論時間はLund分解の数に比例して線形に増加し、ktカットにより最大10倍短縮された。現在の実装では1ジェットあたり4.3 msの前処理コストがかかる。
• LundNet-3は3次元入力でクォーク/グルーオン識別においてParticleNet（AUC 0.904）と同等の性能を達成し、最小限の運動量特徴入力で高い効率を実現した。
• Lund平面におけるktカットの適用により、非摂動的効果への過学習が低減され、一般化性能が向上した。運動量フィルタリングが性能を損なわせずに耐性を向上させることを確認した。