[論文レビュー] MACRIB High efficiency - high purity hadron identification for DELPHI

Z. Albrecht, Michael Feindt+2 more|ArXiv.org|Nov 26, 2001

Particle physics theoretical and experimental studies被引用数 7

ひとこと要約

本論文は、DELPHI実験のためのニューラルネットワークベースの粒子同定システムであるMACRIBを提示する。このシステムは、RICH検出器データ、TPCのdE/dx測定値、およびバーテックス検出器のdE/dx情報を統合することで、カイオンおよびプロトンの同定効率と純度を顕著に向上させる。RIBMEANとHADSIGNの出力を追加の検出器入力と統合することにより、MACRIBはHADSIGNと比較して同じ純度レベルで最大4倍の同定効率を達成し、RIBMEANと比較して同じバックグラウンドレベルで56%の効率向上を達成する。

ABSTRACT

Analysis of the data shows that hadron tags of the two standard DELPHI particle identification packages RIBMEAN and HADSIGN are weakly correlated. This led to the idea of constructing a neural network for both kaon and proton identification using as input the existing tags from RIBMEAN and HADSIGN, as well as preproccessed TPC and RICH detector measurements together with additional dE/dx information from the DELPHI vertex detector. It will be shown in this note that the net output is much more efficient at the same purity than the HADSIGN or RIBMEAN tags alone. We present an easy-to-use routine performing the necessary calculations.

研究の動機と目的

• DELPHIにおける既存のRIBMEANおよびHADSIGN粒子同定アルゴリズム間の弱い相関関係と一貫性の欠如を解消すること。
• 高多重度および高バックグラウンド環境、特に単一検出器が機能しない運動量領域において、ハドロン同定の効率と純度を向上させること。
• バーテックス検出器のdE/dx情報と統合されたRICH信号を活用し、個々のアルゴリズムでは達成できない粒子分離を向上させること。
• カイオンおよびプロトン同定のための最適化されたニューラルネットワークスコアを出力する統合的で使いやすいソフトウェアルーチン（MACRIB）を開発すること。

提案手法

• フィードフォワードバックプロパゲーションニューラルネットワークを、RIBMEANおよびHADSIGNのタグ出力、前処理済みのTPCおよびRICH測定値、およびバーテックス検出器のdE/dxデータを入力として用いて学習する。
• 3つの別個のネットワークを学習する：1つはRICH全情報を使用するp > 0.7 GeV用、1つはガスRICH情報のみを使用するp > 0.7 GeV用、1つはTPCおよびバーテックス検出器dE/dxを用いるp ≤ 0.7 GeV用。
• モンテカルロデータを用いてネットワークを学習し、液体ラジエータ情報の有無に応じて別々の学習データセットを用意した（シミュレーションの制限のため）。
• 最終的なネットワーク出力は-1から1の実数スコアであり、1に近い値はカイオンまたはプロトン同定の高信頼性を示し、-1は同定不能を示す。
• スタンドアロンのC++ルーチンであるMACRIBを実装し、物理解析用にBSAURUSソフトウェアフレームワークに統合した。
• ルーチンは1イベントあたり1回、トラック固有の入力を用いて呼び出され、カイオンおよびプロトン同定の最適化されたネットワーク出力を返すように設計されている。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークは、RIBMEANやHADSIGNのような個々のアルゴリズムを上回るハドロン同定性能を達成するために、複数の粒子同定入力を効果的に統合できるか？
• RQ2 バーテックス検出器のdE/dx情報の統合は、低運動量および高多重度領域における粒子同定をどのように向上させるか？
• RQ3 RIBMEANとHADSIGNの間で異なるリング検出およびバックグラウンドモデル化戦略が引き起こす非効率性と一貫性の欠如は、どの程度ニューラルネットワークによって軽減されるか？
• RQ4 Φ → K⁺K⁻およびΛ → pπのような異なる崩壊チャンネルにおいて、統合ネットワークアプローチを用いることで得られる同定効率および純度の向上はどの程度達成可能か？
• RQ5 液体RICH機能の有無に応じた異なる検出器構成を持つデータセット間で、ニューラルネットワークの性能はどのように変化するか？

主な発見

• 同じバックグラウンドレベルで、MACRIBは同じ厳密なカイオンタグを用いてRIBMEANと比較して56%多くのΦメソンを同定し、純度は約60%から約70%に向上する。
• 同じ純度レベルで、MACRIBはΦメソンのタギング効率をRIBMEANの約2倍にまで向上させる。
• Λ → pπ崩壊チャンネルにおいて、MACRIBはHADSIGNと比較して同じ純度レベルでタギング効率を4倍に向上させ、顕著な性能向上を示す。
• Dₛ → K* K崩壊において、MACRIBは1994–1995年のデータでRIBMEANと比較して33%の効率向上を、1992–1993年のデータでは100%の向上を達成する（同じ純度レベルで）。
• ニューラルネットワーク出力は頑健で、訓練データの理想化された条件のため、モンテカルロシミュレーションにおいて余剰がほとんどない。
• MACRIBソフトウェアルーチンはBSAURUSフレームワークに正常に統合され、DELPHI実験全体にわたり標準的かつ高性能なカイオンおよびプロトン同定手法を提供している。