[論文レビュー] Solving Combinatorial Problems at Particle Colliders Using Machine Learning

A. Badea, W. J. Fawcett+4 more|arXiv (Cornell University)|Jan 6, 2022

Particle physics theoretical and experimental studies参考文献 33被引用数 16

ひとこと要約

この論文は、相対論的不変性を保つためのローレンツ不変レイヤーを用いた物理学にインspiredされた機械学習モデル、cannonballを提案する。このモデルは、高多重度の素粒子衝突イベントにおける組み合わせ的背景の問題を解消する。高次元の運動量相関を学習することで、特に100万%を超える組み合わせ的背景を伴うR対称性破れ超対称性のシナリオにおいて、インvariant質量や角度の最小化といった古典的手法を上回る性能を発揮する。

ABSTRACT

High-multiplicity signatures at particle colliders can arise in Standard Model processes and beyond. With such signatures, difficulties often arise from the large dimensionality of the kinematic space. For final states containing a single type of particle signature, this results in a combinatorial problem that hides underlying kinematic information. We explore using a neural network that includes a Lorentz Layer to extract high-dimensional correlations. We use the case of squark decays in $R$-Parity-violating Supersymmetry as a benchmark, comparing the performance to that of classical methods. With this approach, we demonstrate significant improvement over traditional methods.

研究の動機と目的

• 高多重度の最終状態における組み合わせ的背景の持続的課題に取り組み、膨大な組み合わせ数のため、正しい粒子ペアリングが曇る状況を扱う。
• 実際の検出器分解能や高ジェット多重度の下で失敗する古典的手法（例：インバリアント質量最小化や角度クラスタリング）の限界を克服する。
• 物理学的インスピレーションを受ける機械学習アーキテクチャが、古典的手法では到達できない複雑な運動量相関を効果的に抽出できることを示す。
• 従来の手法が組み合わせ的複雑性のため不十分となる、現実世界の複雑な衝突シグネチャへのMLの応用の基盤を築く。
• 物理的対称性を保存し、新たなシステム的不確実性を導入しない、スケーラブルで微分可能なフレームワークを提供し、高エネルギー物理学解析における頑健な利用を可能にする。

提案手法

• 相対論的不変性を保ち、微分可能な方法で4次元運動量変換をモデル化するためのローレンツレイヤーを組み込んだ、独自のニューラルネットワークアーキテクチャであるcannonballを提案する。
• N個の4次元運動量を処理するため、ローレンツレイヤーを含む完全結合型フィードフォワードネットワークを用い、ジェット集合から崩壊生成物の正しいペアリングを学習する。
• R対称性破れ超対称性のモンテカルロシミュレーションから生成されたデータを用いて、正しく崩壊トポロジーを予測するための教師あり損失関数により、エンドツーエンドでモデルを訓練する。
• ローレンツレイヤーを統合することで、ネットワークの予測がローレンツ変換に対して不変であることを保証し、イベントフレーム間での物理的一致性を維持する。
• 信号効率とバックグラウンド拒否率を指標として、古典的手法（インバリアント質量非対称性最小化と角度分離最小化（ΔRΣ））と性能を比較する。
• 組み合わせ的複雑性と実際の検出器効果（分解能や積み重ね）を伴う、(2×2)、(2×4)、(2×5)ジェット最終状態のベンチマークシグネチャにモデルを適用する。

実験結果

リサーチクエスチョン

• RQ1 LHCにおける高多重度ジェットイベントの崩壊トポロジー再構成において、機械学習モデルは古典的手法の組み合わせ的再構成技術を上回ることができるか？
• RQ2 専用のローレンツレイヤーを用いてローレンツ不変性を組み込むことで、運動量イベント解釈タスクにおける一般化性能がどの程度向上するか？
• RQ3 特に組み合わせ的背景が100万以上（例：>100万通り）に達する状況において、運動量分解能や積み重ねといった実際の検出器効果がモデルの性能に与える影響は何か？
• RQ4 微分可能な物理学にインスパイアされたアーキテクチャは、新たなシステム的不確実性を導入せずに、複雑なカスケード崩壊（例：グルーギノ → クォーク＋ニュートラリノ → 3クォーク）を解釈するために使用可能か？
• RQ5 信号パラメータが事前に不明な新物理探索において求められるように、幅広い共鳴質量と線形スペクトルに対して、モデルはロバスト性を保っているか？

主な発見

• cannonballモデルは、(2×2)ジェットトポロジーにおいて、テストされたすべての共鳴質量で古典的手法（特にインバリアント質量非対称性最小化と角度分離最小化）を顕著に上回り、信号効率とバックグラウンド拒否率の両方が向上している。
• (2×4)および(2×5)ジェットトポロジーにおいて、組み合わせ的背景がそれぞれ10,000%以上および126,000%を超える状況でも、モデルは高い性能を維持しており、古典的手法が失敗する状況でも頑健であることを示している。
• ローレンツレイヤーの導入により、モデルは異なるイベントブーストや運動量設定に一般化可能となり、物理的不変性を保ちながら、非ローレンツ不変ベースラインに比べて一般化性能が向上している。
• 1 TeVの共鳴質量における(2×2)ケースでは、実際の検出器分解能を考慮しても、信号効率が90%を超える。これは、最良の古典的手法を20百分率以上上回っている。
• モデルの性能は、広範な共鳴質量と線形スペクトルにわたり安定しており、信号パラメータが事前に不明な広帯域新物理探索に適していることが示唆されている。
• 新たなシステム的不確実性を導入しない。これは、古典的手法の組み合わせ的再構成の即時置き換えとして使用可能であり、標準の解析パイプラインと互換性を保っている。