[論文レビュー] Particle Convolution for High Energy Physics

C. O. Shimmin|arXiv (Cornell University)|Jul 5, 2021

Particle physics theoretical and experimental studies参考文献 29被引用数 16

ひとこと要約

この論文は、ジェット物理学における回転等長性を満たすニューラルネットワーク層、パーティクル畳み込みネットワーク（PCN）を紹介する。これは、エネルギーフローウェブやデュアルセットを一般化し、ジェットの $η$-$\phi$ 平面上での群畳み込みを組み込む。回転型PCN（rPCN）は、クォーク/グルーオン分類およびトップ分類タスクで最先端の性能を達成し、既存のIRC安全な手法を著しく上回りながら、ParticleNetなどのグラフベースのモデルと同等の精度を達成する。

ABSTRACT

We introduce the Particle Convolution Network (PCN), a new type of equivariant neural network layer suitable for many tasks in jet physics. The particle convolution layer can be viewed as an extension of Deep Sets and Energy Flow network architectures, in which the permutation-invariant operator is promoted to a group convolution. While the PCN can be implemented for various kinds of symmetries, we consider the specific case of rotation about the jet axis the $η- ϕ$ plane. In two standard benchmark tasks, q/g tagging and top tagging, we show that the rotational PCN (rPCN) achieves performance comparable to graph networks such as ParticleNet. Moreover, we show that it is possible to implement an IRC-safe rPCN, which significantly outperforms existing IRC-safe tagging methods on both tasks. We speculate that by generalizing the PCN to include additional convolutional symmetries relevant to jet physics, it may outperform the current state-of-the-art set by graph networks, while offering a new degree of control over physically-motivated inductive biases.

研究の動機と目的

• ジェット構造の物理的不変性を反映する回転対称性を尊重するニューラルネットワークアーキテクチャの開発。
• エネルギーフローとデュアルセットのような置換不変モデルを一般化し、$η$-$\phi$ 平面上での群畳み込みを導入すること。
• 物理的整合性を保ちつつ、ジェット分類ベンチマークでの性能を向上させるIRC安全なPCNのバージョンの構築。
• ジェット物理学に関連する他の対称性、例えば $p_{\mathrm{Tr}}$ におけるスケーリングへのPCNの拡張の可能性の探求。
• 最小限の前処理と置換等長性を備えた、グラフベースのモデル（例：ParticleNet）のより物理的に解釈可能で効率的な代替手段の提供。

提案手法

• PCNレイヤーは、$η$-$\phi$ 平面上での群畳み込みを実行し、粒子の位置を2次元の角度空間内の連続座標として扱う。
• 回転対称性を満たすために、学習可能なフィルタ関数 $\Phi$ を用いて畳み込み演算を実行する。
• アーキテクチャは置換等長性を満たし、可変長の粒子集合と互換性があり、エンドツーエンドの学習を可能にする。
• IRC安全性を実現するため、ネットワークはソフト／コリネア放射に対して出力が感度を持たないよう構築され、物理的整合性が保たれる。
• ジェット画像の連続空間への一般化を図り、ヒルベルト空間への射影を群畳み込みに置き換える。
• rPCNは、$p_{\mathrm{Tr}}$ に依存するゲーティングをオプションとして追加し、運動量依存のパターンを学習可能にする。

実験結果

リサーチクエスチョン

• RQ1 $η$-$\phi$ 平面上での回転に対して等長性を満たす群畳み込みレイヤーは、置換不変モデルと比較してジェット分類性能を向上させ得るか？
• RQ2 IRC安全なPCNのバージョンは、クォーク/グルーオン分類およびトップ分類タスクにおいて、既存のIRC安全な分類手法を上回る性能を示すか？
• RQ3 rPCNは、IRC安全および非IRC安全な設定において、最先端のグラフベースのモデル（例：ParticleNet）と比較してどの程度の性能を示すか？
• RQ4 PCNフレームワークは、$p_{\mathrm{Tr}}$ におけるスケーリングなどの追加の対称性を含めることで、異なるジェットエネルギーにおける一般化性能を向上させ得るか？
• RQ5 rPCNは、運動量依存のビニングや粒子の除外といった物理的に意味のある表現をどの程度学習するか？

主な発見

• クォーク/グルーオン分類タスクにおいて、rPCNはAUC 0.8997、50%の信号効率におけるバックグラウンド拒否率34.2 ± 0.4を達成し、比較対象のすべてのIRC安全モデルを上回った。
• トップ分類タスクでは、AUC 0.9845、50%の信号効率におけるバックグラウンド拒否率364 ± 9を達成し、IRC安全手法としての新記録を樹立した。
• 追加の $p_{\mathrm{Tr}}$ に依存するゲーティングを導入したrPCNは、AUC 0.9081、バックグラウンド拒否率38.6 ± 0.5を達成し、ParticleNetの性能に近づいた。
• rPCNはエネルギーフローウェブネットワーク（EFN）を著しく上回り、q/g分類タスクにおけるバックグラウンド拒否率を28.6から32.5に向上させた。
• ネットワークは粒子を $p_{\mathrm{Tr}}$ に応じて暗黙的にビニングし、しばしば低 $p_{\mathrm{Tr}}$ 粒子を無視する傾向を示しており、推論の高速化のための入力のプリーニングが可能である可能性を示唆している。
• rPCNは、回転等長性が物理的整合性を高める強力なインダクティブバイアスを提供し、LHC実験の既存のプロダクションパイプラインとも互換性を保つことを示した。