[論文レビュー] Machine learning approach for the search of resonances with topological features at the Large Hadron Collider

S. Dahbi, Joshua Choma+5 more|arXiv (Cornell University)|Nov 19, 2020

Particle physics theoretical and experimental studies参考文献 72被引用数 5

ひとこと要約

本論文は、深層ニューラルネットワークを用いたトポロジーに基づく分類と弱教師付き学習を組み合わせることで、大型ハドロン衝突型加速器（LHC）における新しい物理の共鳴状態を探索する画期的な機械学習手法を提案する。この手法は、ジェット多重度、レプトン数、ベクトルボソン融合トポロジーといったトポロジー特徴を活用することで、高次元の位相空間における微弱な共鳴状態を効率的に同定し、シミュレートされた背景に依存することを最小限に抑える。標準模型のヒッグス粒子が光子に崩壊する過程を、多様な生成モードにおいても強く分離できることを示している。

ABSTRACT

The observation of resonances is unequivocal evidence of new physics beyond the Standard Model at the Large Hadron Collider (LHC). So far, inclusive and model dependent searches have not provided evidence of new resonances, indicating that these could be driven by subtle topologies. Here, we use machine learning techniques based on weak supervision to perform searches. Weak supervision based on mixed samples can be used to search for resonances with little or no prior knowledge on the production mechanism. Also, it offers the advantage that sidebands or control regions can be used to effectively model backgrounds with minimal reliance on simulations. However, weak supervision alone is found to be highly inefficient in identifying corners of the multi-dimensional space of interest. Instead, we propose an approach to search for new resonances that involves a classification procedure that is signature and topology based. A combination of weak supervision with Deep Neural Network algorithms are applied following this classification. The performance of this strategy is evaluated on the production of SM Higgs boson decaying to a pair of photons inclusively and in exclusive regions of phase space tailored for specific production modes at the LHC. After verifying the ability of the methodology to extract different SM Higgs boson signal mechanisms, a search for new phenomena in high-mass final states is setup for the LHC.

研究の動機と目的

• 従来の手法では検出されにくい非伝統的トポロジーを持つ新しい物理の共鳴状態を検出する課題に対処すること。
• サイドバンドや制御領域を用いた弱教師付き学習により、シミュレートされた背景モデルへの依存度を低減すること。
• 従来の包括的探索では失敗する高次元の位相空間における感度を向上させること。
• 標準模型ヒッグス粒子の光子への崩壊（ggF, VBF, Wh, Zh, t¯th）を事例として、本手法の有効性を検証すること。
• 将来のLHCにおける共鳴状態探索のための、トポロジーに配慮したシグネチャーベースの探索戦略を開発すること。

提案手法

• 信号と背景の混合サンプルを用いた弱教師付き学習を適用し、信号生成メカニズムの完全なラベル付けなしに分類器を訓練する。
• ジェットのbタグ数、レプトン数、ベクトルボソン融合トポロジーといったトポロジー特徴を入力として分類をガイドする。
• 深層ニューラルネットワーク（DNN）を用いて、高次元の位相空間における複雑で非線形な意思決定境界を学習する。
• サイドバンド領域を統合して背景を効果的にモデル化し、モンテカルロシミュレーションへの依存度を低減する。
• 弱教師付き学習を施す前に、イベントのトポロジーに基づいた分類を実施することで、信号効率を向上させる。
• 異なる位相空間領域において、光子に崩壊する標準模型ヒッグス粒子生成モード（ggF, VBF, Wh, Zh, t¯th）を対象に、本手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 弱教師付き学習とトポロジーに基づく分類を組み合わせることで、高次元の位相空間における微弱な共鳴状態を検出できるか？
• RQ2 本手法は、異なるトポロジーを持つ標準模型ヒッグス粒子生成モードをどれほど効果的に区別できるか？
• RQ3 サイドバンド領域が、共鳴状態探索における完全なシミュレーションによる背景モデルの代替として、どの程度有効に機能するか？
• RQ4 トポロジー特徴を組み込むことで、標準的な弱教師付き学習に比べて信号効率が向上するか？
• RQ5 本フレームワークは、標準模型を超えた新しい物理の探索に一般化可能か？

主な発見

• 本手法は、排他的な位相空間領域において、光子に崩壊する標準模型ヒッグス粒子生成モード（ggF, VBF, Wh, Zh, t¯th）を効果的に同定・分離できた。
• 主要なggFモードでは受信者操作特性曲線（AUC）が0.961に達し、ggFの信号収量を25％にまで低下させてもAUCが0.946以上を維持した。
• 弱教師付き学習のみでは高次元の位相空間において非効率であることが判明したが、トポロジーに基づく分類により性能が顕著に向上した。
• 低バックグラウンド拒否レベルにおいても、90％を超える高い信号効率を維持しており、微弱なトポロジーに強い感度を示した。
• 信号収量の変動に対しても本手法は頑健であり、ggF信号率の異なる割合において一貫した性能を示した。
• サイドバンドを用いた背景モデル化が効果的に可能であり、シミュレートされた信号および背景サンプルへの依存度が低減した。