[論文レビュー] Reconstruction of decays to merged photons using end-to-end deep learning with domain continuation in the CMS detector

Tumasyan, A., Adam, W.+2339 more|arXiv (Cornell University)|Jan 1, 2022

Particle physics theoretical and experimental studies被引用数 9

ひとこと要約

本論文は、ドメイン継続を用いて、機器的に融合した光子のインヴァリアント質量再構成を可能にする、エンド・トゥ・エンドのディープラーニング手法を提案する。これは従来のパーティクル・フロー手法では達成できなかった、CMS椤測定器における高エネルギーのブーストされた二光子崩壊の再構成を実現する。この手法は、ベンチマークアルゴリズムを上回る感受性を示し、π⁰ → γγ崩壊を用いた実LHCデータで検証された。

ABSTRACT

A novel technique based on machine learning is introduced to reconstruct the decays of highly Lorentz-boosted particles. Using an end-to-end deep learning strategy, the technique bypasses existing rule-based particle reconstruction methods typically used in high energy physics analyses. It uses minimally processed detector data as input and directly outputs particle properties of interest. The new technique is demonstrated for the reconstruction of the invariant mass of particles decaying in the CMS detector. The decay of a hypothetical scalar particle $\mathcal{A}$ into two photons, $\mathcal{A} o\gamma\gamma$, is chosen as a benchmark decay. Lorentz boosts $\gamma_\mathrm{L}$ = 60-600 are considered, ranging from regimes where both photons are resolved to those where the photons are closely merged as one object. A training method using domain continuation is introduced, enabling the invariant mass reconstruction of unresolved photon pairs in a novel way. The new technique is validated using $\pi^0 o$gg decays in LHC collision data.

研究の動機と目的

• 検出器のエネルギー分解能の限界により崩壊生成物が融合してしまう、非常にローレンツ的ブーストされた粒子崩壊の再構成という課題に対処すること。
• 機器的融合の状態では失敗する従来のパーティクル・フローアルゴリズムの限界を克服すること。
• 最小限に処理された検出器データから直接、インヴァリアント質量などの粒子特性を予測する機械学習ベースの再構成手法を開発すること。
• 既知のπ⁰ → γγ崩壊を用いてベンチマークとし、実LHCデータ上でこの手法を検証すること。
• 単一のカリブレーター・セル内で完全に融合している光子の状態でも、インヴァリアント質量を再構成することが可能かどうかを示すこと。

提案手法

• 中間のルールベース再構成を経ずに、最小限に処理された検出器データ（例：ECALのエネルギー堆積）に直接トレーニングされたエンド・トゥ・エンドのディープラーニングモデルを採用する。
• 1つのディープニューラルネットワーク回帰器を用いて、原始的な検出器入力からA → γγ崩壊のインヴァリアント質量を予測する。
• ドメイン継続の導入：検出器分解能の下限より低い非物理的質量をトレーニングドメインに含め、融合したシャワーのエネルギー分布の微細な差を学習可能にする。
• 検証のためのベースラインとして、低エネルギーのπ⁰ → γγ崩壊の解消に3×3クラスタリングアルゴリズムを用いる。
• 質量0.1–1.0 GeV、ブーストγL = 60–600のシミュレーテッドA → γγ崩壊データでモデルをトレーニングする。
• 実2017年LHC衝突データ上で性能を検証し、標準的なパーティクル・フロー法および3×3クラスタリング法と比較する。

実験結果

リサーチクエスチョン

• RQ1 CMS ECALにおける機器的融合状態にある光子に対して、エンド・トゥ・エンドのディープラーニング手法が、A → γγ崩壊のインヴァリアント質量を再構成できるか？
• RQ2 ドメイン継続は、検出器分解能の限界以下の質量を学習可能にする仕組みとしてどのように機能するか？
• RQ3 融合光子状態において、提案手法が従来のパーティクル・フロー法およびクラスタリングアルゴリズムに比べて、どの程度感受性の向上を達成できるか？
• RQ4 既知のπ⁰ → γγ崩壊を用いた実LHCデータ上で、この手法を検証できるか？
• RQ5 高ブースト・状態で光子が融合している状況において、この手法は再構成効率およびエネルギー分解能をどの程度維持できるか？

主な発見

• 提案されたエンド・トゥ・エンドのディープラーニングモデルは、広いブースト範囲（γL = 60–600）にわたり、光子が1つのカリブレーター・セル内で完全に融合している状態を含め、A → γγ崩壊のインヴァリアント質量を成功裏に再構成した。
• ドメイン継続により、融合した光子シャワーのエネルギー堆積パターンの微細な差をモデルが学習可能となり、検出器分解能の下限以下の質量の再構成が可能になった。
• 標準的なパーティクル・フロー法および3×3クラスタリング法に比べ、特に解像度が低い・融合状態にある領域で顕著な感受性の向上を達成した。
• 実2017年LHCデータを用いた検証により、この手法の頑健性と正確性が確認され、再構成された質量分解能は既存手法と同等またはそれ以上であった。
• 本手法は、ディープラーニングフレームワークを用いて、高エネルギー物理学実験で初めて機器的に融合した二光子のインヴァリアント質量を成功裏に再構成した。
• 本アプローチは、低質量で非常にブーストされた粒子に崩壊するエキゾチックな共鳴状態を探索する新たな道筋を提供する。