[論文レビュー] Pileup mitigation at the Large Hadron Collider with Graph Neural Networks

Jesús Arjona Martínez, Olmo Cerri+3 more|arXiv (Cornell University)|Oct 18, 2018

Particle physics theoretical and experimental studies参考文献 18被引用数 7

ひとこと要約

この論文では、大型ハドロン衝突型加速器（LHC）における積層（pileup）低減を改善するため、グラフニューラルネットワーク（GNN）に基づく分類器PUPPIMLを提案する。PUPPIMLは、高運動量衝突（leading vertex）由来の粒子と積層由来の粒子を区別する能力を学習することで、積層低減性能を向上させる。グラフ構造のイベント表現とメッセージパッシングを活用し、PUPPIおよびSoftKillerと比較して最大30%のジェット分解能向上を達成し、多様な素因数過程にわたる強力な一般化性能を示す。性能の低下は最小限に抑えられる。

ABSTRACT

At the Large Hadron Collider, the high transverse-momentum events studied by experimental collaborations occur in coincidence with parasitic low transverse-momentum collisions, usually referred to as pileup. Pileup mitigation is a key ingredient of the online and offline event reconstruction as pileup affects the reconstruction accuracy of many physics observables. We present a classifier based on Graph Neural Networks, trained to retain particles coming from high-transverse-momentum collisions, while rejecting those coming from pileup collisions. This model is designed as a refinement of the PUPPI algorithm, employed in many LHC data analyses since 2015. Thanks to an extended basis of input information and the learning capabilities of the considered network architecture, we show an improvement in pileup-rejection performances with respect to state-of-the-art solutions.

研究の動機と目的

• 高光度LHCイベントにおける積層汚染の課題に対処すること。ここでは、不要な低pT衝突が物理観測量の再構築精度を低下させる。
• PUPPIと同様の手法を用いるが、深層学習とグラフベースのモデリングを組み合わせることで、積層由来の粒子をよりよく特定・抑制できるように、最先端のPUPPIアルゴリズムを改善すること。
• マルチジェット、 bottom クォーク、グルーオン崩壊など多様な最終状態にわたって一般化できるモデルを構築すること。性能の著しい低下を伴わないこと。
• 局所的なグラフ畳み込みを用いることで、粒子イベントの空間的構造を活用し、推論における計算可能性と局所性を維持すること。

提案手法

• 各イベントをグラフとしてモデル化し、粒子をノードとし、ΔR < R₁ = 0.3 のコーン内にある粒子同士にエッジを張ることで、局所的な空間的関係を保持する。
• ゲート付きグラフニューラルネットワーク（GGNN）アーキテクチャを用い、3層および4ステップのメッセージパッシングにより、隣接粒子間で情報交換を行い、ノードレベルの表現を精緻化する。
• 最終的なノード表現を読み出し層に通し、その粒子がleading vertex由来（積層由来でない）である確率を示すスコアを出力する。
• 交差エントロピー損失を用いて、平均積層相互作用数が140まで変動するZ→νν̄ + ジェットイベントでモデルを学習させ、分類性能を最適化する。
• 推論では、各粒子に確率スコアを割り当て、後続の解析で重みとして使用するか、粒子の除外閾値として利用できる。
• モデルは検出器に依存しない設計となっており、検出器の幾何学的形状やグレイン感度に関する仮定を一切含まず、再構築された粒子の運動量のみに依存する。

実験結果

リサーチクエスチョン

• RQ1 グラフニューラルネットワークアーキテクチャは、従来のルールベースおよびPUPPIスタイルのアルゴリズムに比べ、LHCにおける積層低減性能を上回ることができるか？
• RQ2 PUPPIMLモデルは、マルチジェット最終状態やbottomクォークやグルーオンを含む崩壊など、さまざまな素因数過程にどれほど一般化できるか？
• RQ3 モデルの性能は、特に平均積層相互作用数に依存する程度はどの程度か？
• RQ4 局所性を維持しながら、効率的な並列化が可能であるか、計算コストを抑えたまま高い性能を維持できるか？

主な発見

• PUPPIMLは、PUPPIアルゴリズムと比較して、ジェット関連の物理量において最大30%の分解能向上を達成し、SoftKillerと比較しても顕著な向上を示す。
• モデルはZ→νν̄ + ジェット、トップクォーク崩壊、ヒッグスボソン崩壊など、多様な素因数過程に効果的に一般化され、AUC性能の低下はわずかである。
• 平均積層相互作用数が140の状況下でも、モデルの性能は高い水準を維持しており、GGNNの層数や隠れ次元数を減らしてもAUC値の低下は0.2%未満にとどまる。
• TITAN Xp GPU上での推論速度は、平均積層140の状況で約10イベント/秒であり、PUPPIやSoftKillerと比較して10倍以上遅いが、アーキテクチャ的および実装的最適化により改善可能である。
• モデルの局所性は保持されており、ある粒子の分類に影響するのはΔR < 1.2の範囲内にある粒子に限られる。これにより、非同期メッセージパッシングによる並列化が可能である。
• 粒子除外の閾値は訓練データにわずかに依存するが、これはさまざまな積層設定にわたるモデルの頑健性を示している。