[論文レビュー] Quark jet versus gluon jet: fully-connected neural networks with high-level features

Hui Luo, M. X. Luo+3 more|arXiv (Cornell University)|Dec 11, 2017

Particle physics theoretical and experimental studies被引用数 9

ひとこと要約

本論文は、高レベルのジェット観測量を用いた完全結合ニューラルネットワーク（FNN）を提案し、クォークとグルーオンのジェットを分類する手法を提示している。粒子レベルのデータでは畳み込みニューラルネットワーク（DCNN）と同等の性能を達成し、検出器レベルのデータではわずかに15％程度の性能低下にとどまる。広い $p_{TJ}$ 範囲（$[200, 1000]$ GeV）で学習したFNNは、個々の $p_{TJ}$ バインの学習とほぼ同等の性能を示し、14個の最小限の観測量でほぼすべての識別能力を保持している。

ABSTRACT

Jet identification is one of the fields in high energy physics that machine learning has begun to make an impact. More often than not, convolutional neural networks are used to classify jet images with the benefit that essentially no physics input is required. Inspired by a recent work by Datta and Larkoski, we study the classification of quark/gluon-initiated jets based on fully-connected neural networks (FNNs), where expert-designed physical variables are taken as input. FNNs are applied in two ways: trained separately on various narrow jet transverse momentum $p_{TJ}$ bins; trained on a wide region of $p_{TJ} \in [200,~1000]$ GeV. We find their performances are almost the same. The performance is better when the $p_{TJ}$ is larger. Jet discrimination with FNN is studied on both particle and detector level data. The results based on particle level data are comparable with those from deep convolutional neural networks, while the significance improvement characteristic (SIC) from detector level data would at most decrease by $15\%$. We also test the performance of FNNs with full set or subsets of jet observables as input features. The FNN with one subset consisting of fourteen observables shows nearly no degradation of performance. This indicates that these fourteen expert-designed observables could have captured the most necessary information for separating quark and gluon jets.

研究の動機と目的

• 完全結合ニューラルネットワーク（FNN）が、物理的インサイトに基づいた高レベルの観測量を用いてクォークとグルーオンのジェットを識別する性能を評価すること。
• 異なるジェット横断的運動量（$p_{TJ}$）領域におけるFNNの性能を比較し、広い $p_{TJ}$ 範囲で学習するのと個別のバインで学習するのを比較すること。
• Fast simulation（Delphes）を用いて検出器効果がFNNベースのジェット分類に与える影響を評価すること。
• 最小限のジェット観測量のサブセットが、ほぼ最適な分類性能を維持できるかどうかを同定すること。
• 浅いFNNが、このジェットタギングタスクにおいて、より深いネットワークと同等の性能を発揮できるかどうかを調査すること。

提案手法

• 6層の隠れ層（各層300ニューロン）を有するFNNを、粒子レベルおよび検出器レベルのジェットデータに対して学習させ、ジェット質量、N-サブジェット性、エネルギー相関関数、多重度を含む36個の専門家設計観測量を用いる。
• 狭い $p_{TJ}$ バイン（$[200,220]$、$[500,550]$、$[1000,1100]$ GeV）で別々にFNNを学習させ、広い $p_{TJ}$ 範囲（$[200,1000]$ GeV）で1つのFNNを学習させ、運動量スケールにわたる一般化性能を比較する。
• 検出器効果はDelphesを用いてシミュレートし、クォーク-グルーオン分離の統計的有意水準（SIC）の低下を推定する。
• ROC AUCと50％のクォークジェット受容率におけるグルーオンジェット効率を用いて性能を評価し、観測量のサブセットに対するアブレーションテストを実施して最小限の有効なセットを同定する。
• 1つの隠れ層（300ニューロン）を有する浅いFNNを、深いFNN（6層）と比較し、この分類タスクにおける深さの必要性を評価する。
• $\tau_{1}^{(0.5)}$、$\tau_{2}^{(1)}$、$U_{1}^{(0.5)}$、$\lambda_{1}^{(0.5)}$、および粒子多重度といった観測量を用いて、ジェットの部分構造と色荷の違いをエンコードする。

実験結果

リサーチクエスチョン

• RQ1 完全結合ニューラルネットワークが高レベルの専門家設計観測量を用いて学習した場合、畳み込みニューラルネットワークと同等のクォーク-グルーオンジェット識別性能を達成できるか？
• RQ2 広い $p_{TJ}$ 範囲（$[200,1000]$ GeV）で1つのFNNを学習させた場合、狭い $p_{TJ}$ バインごとに別々に学習させたFNNと同等の性能を示すか？
• RQ3 FNNを用いた場合、検出器のエネルギー分解能と受容域の低下により、クォーク-グルーオン分離の有意水準はどの程度低下するか？
• RQ4 ほぼ最大の分類性能を維持できる最小限のジェット観測量のサブセットが存在するか？
• RQ5 1つの隠れ層（300ニューロン）を有する浅いFNNは、より深い6層のFNNと同等の性能を発揮できるか？

主な発見

• FNNは $p_{TJ} \in [1000,1100]$ GeV においてROC AUCが0.899を達成し、同じ $p_{TJ}$ バインでDCNNを上回った性能を示した。
• $p_{TJ} \in [1000,1100]$ GeV における50％のクォークジェット受容率におけるグルーオンジェット効率は2.8％であり、高 $p_{TJ}$ での強い識別能力を示している。
• 広い $p_{TJ}$ 範囲（$[200,1000]$ GeV）で学習したFNNの性能は、個々の $p_{TJ}$ バインで学習したFNNとほぼ同一であり、運動量スケールにわたる良好な一般化性能を示している。
• 検出器効果により、有意水準改善特徴（SIC）は最大で15％低下したが、実際の検出器分解能と受容域に対しても頑健であることが示された。
• 14個の観測量（ジェット質量、$\tau_{1}^{(0.5)}$、$\tau_{2}^{(1)}$、$\tau_{3}^{(2)}$、$U_{1}^{(0.5)}$、$\lambda_{1}^{(0.5)}$、多重度を含む）の最小サブセットが、36個の観測量すべてを用いた場合とほぼ同等の性能を達成した。
• 1つの隠れ層（300ニューロン）を有する浅いFNNは、6層の深いFNNと同等の性能を示した。これは、選択された観測量が、単純なモデルでも十分な識別情報を含んでいることを示している。