[論文レビュー] Machine Learning approach to boosting neutral particles identification in the LHCb calorimeter

A. S. Boldyrev, V. Chekalina+1 more|arXiv (Cornell University)|Dec 18, 2019

Particle physics theoretical and experimental studies参考文献 2被引用数 1

ひとこと要約

本論文は、LHCbの電磁カルシウム（ECAL）でブーストされた中性粒子、特に光子と統合された中性パイオン（π⁰）の識別を向上させる機械学習的手法を提案する。5×5のECALおよびプリシャワー（PS）セル窓におけるエネルギー堆積を入力特徴量として用い、XGBoostベースの分類器を訓練することで、受信器特性曲線（ROC）のAUCが0.97に達し、光子効率98％で偽陽性率を60％から30％に低減した。エネルギー依存性は無視できるほど小さい。

ABSTRACT

We present a new approach to identification of boosted neutral particles using Electromagnetic Calorimeter (ECAL) of the LHCb detector. The identification of photons and neutral pions is currently based on the geometric parameters which characterise the expected shape of energy deposition in the calorimeter. This allows to distinguish single photons in the electromagnetic calorimeter from overlapping photons produced from high momentum $\pi^0$ decays. The novel approach proposed here is based on applying machine learning techniques to primary calorimeter information, that are energies collected in individual cells around the energy cluster. This method allows to improve separation performance of photons and neutral pions and has no significant energy dependence.

研究の動機と目的

• 高運動量の光子と統合された中性パイオン（π⁰）をLHCb ECALで分離することを目的とし、現在は重なったエネルギークラスタのため誤識別が生じている。
• 物理的特徴工学を避けるために、ECALおよびプリシャワー（PS）セルのエネルギー堆積を入力として使用する機械学習モデルの開発。
• 物理解析におけるシステムティック不確実性を低減するため、エネルギー依存性が最小限となる分類手法の実現。
• モンテカルロシミュレーションを用いた検証と、B⁰ → KπγおよびB⁰ → Kππ⁰崩壊からの実データサンプルを用いた性能補正。
• 入力変数におけるMC/データの乖離を是正することで、シミュレーションから得た訓練済みモデルを実データに信頼性高く適用可能にする。

提案手法

• 入力特徴量として、クラスターシードの周囲5×5のECALおよびPSセルにおけるエネルギー堆積を用い、合計50の特徴量を取得。
• XGBoost分類器を、単一光子と統合π⁰崩壊を区別する目的で、これらのエネルギー値に訓練。
• ModelGymを用いたハイパーパramータチューニングにより最適化。XGBoostのデフォルト設定：6000本の木、最大深さ3、学習率0.05、子ノード最小重み2。
• 性能評価には、さまざまな横方向エネルギー（ET）ビンにおけるROC曲線と効率プロファイルを用いる。
• 補正には、実データサンプルを用いる：光子はB⁰ → Kπγ、π⁰はJ/ψ → μ⁺μ⁻を介してB⁰ → Kππ⁰として使用。信号イベントと運動学的に類似していることを保証。
• 幾何的クラスタ特徴を用いるベースライン形状ベース手法と比較。両手法ともモンテカルロサンプルおよび実データ補正の両方で評価。

実験結果

リサーチクエスチョン

• RQ1 シミュレーションで訓練された機械学習モデルが、従来の形状ベース手法を上回り、光子と統合π⁰を区別できるか？
• RQ2 提案手法が横方向エネルギーにほとんど依存せず、物理解析におけるシステムティック不確実性を低減できるか？
• RQ3 モンテカルロシミュレーションで訓練したモデルが実データに適用された際の性能はどの程度で、不偏な性能を保つためにどの程度の補正が必要か？
• RQ4 物理的洞察に基づく幾何的特徴ではなく、単にエネルギー堆積の原始的入力のみを用いるシンプルで特徴に依存しないアプローチが、優れた識別性能を達成できるか？
• RQ5 このタスクに最適な分類器アーキテクチャ（例：XGBoost対ニューラルネットワーク）は何か？また、異なるブースティングアルゴリズムの性能比較は？

主な発見

• 新しいXGBoostベースの手法は、ベースライン形状ベース手法の0.89と比較して、0.97のROC AUCを達成し、識別性能の顕著な向上を示した。
• 光子効率98％の条件下で、π⁰が光子と誤識別される偽陽性率が、新しい手法では約60％から30％に低減された。
• 新しい手法は横方向エネルギー（ET）ビンにわたって平坦な効率プロファイルを示し、エネルギー依存性が無視できるほど小さいことが確認され、システムティック不確実性の低減に不可欠である。
• 検証された分類器の中で、XGBoostは特に3〜4層の隠れ層を持つニューラルネットワークよりも優れた性能を示した。後者は特徴の複雑さが不十分なために性能が劣化した。
• B⁰ → KπγおよびB⁰ → J/ψK* → Kππ⁰の実データサンプルを用いた補正により、手法の頑健性が確認され、実世界の条件への適用可能性が裏付けられた。
• 物理的特徴工学を一切行わず、エネルギー堆積の原始的入力を用いることで、より汎用的かつ移植可能なモデルが実現され、将来の中性粒子識別パイプラインへの統合に適している。