[論文レビュー] Strange Jet Tagging

Yuichiro Nakai, David Shih+1 more|arXiv (Cornell University)|Mar 20, 2020

Particle physics theoretical and experimental studies参考文献 47被引用数 4

ひとこと要約

この論文は、検出器レベルの観測量を用いて奇妙クォークのジェットとダウンクォークのジェットを区別する新しいジェットタギング手法を提案する。奇妙ジェットでは中性カイオン対パイオンのエネルギー比が高く、長寿命のカイオンがハドロン的カルシウム（HCAL）に、即座に崩壊するパイオンが電磁気的カルシウム（ECAL）に異なるエネルギー分布を示す。ジェット画像を用いた畳み込みニューラルネットワーク（CNN）により、タギング効率が約0.02の低効率域で奇妙対ダウンジェットの区別性能が2.5倍向上し、従来手法を上回る性能を達成した。

ABSTRACT

Tagging jets of strongly interacting particles initiated by energetic strange quarks is one of the few largely unexplored Standard Model object classification problems remaining in high energy collider physics. In this paper we investigate the purest version of this classification problem in the form of distinguishing strange-quark jets from down-quark jets. Our strategy relies on the fact that a strange-quark jet contains on average a higher ratio of neutral kaon energy to neutral pion energy than does a down-quark jet. Long-lived neutral kaons deposit energy mainly in the hadronic calorimeter of a high energy detector, while neutral pions decay promptly to photons that deposit energy mainly in the electromagnetic calorimeter. In addition, short-lived neutral kaons that decay in flight to charged pion pairs can be identified as a secondary vertex in the inner tracking system. Using these handles we study different approaches to distinguishing strange-quark from down-quark jets, including single variable cut-based methods, a boosted decision tree (BDT) with a small number of simple variables, and a deep learning convolutional neural network (CNN) architecture with jet images. We show that modest gains are possible from the CNN compared with the BDT or a single variable. Starting from jet samples with only strange-quark and down-quark jets, the CNN algorithm can improve the strange to down ratio by a factor of roughly 2 for strange tagging efficiencies below 0.2, and by a factor of 2.5 for strange tagging efficiencies near 0.02.

研究の動機と目的

• 高エネルギー加速器実験における奇妙クォークが生成するジェットのタギングというほとんど未開拓の問題に取り組むこと。
• CMS や ATLAS のような一般用途検出器で利用可能な観測量のみを用いて、奇妙クォークジェットとダウンクォークジェットを区別する手法を開発すること。
• 実際のジェット標本を用いて、単一変数のカット、ブーストされた意思決定木（BDT）、深層学習（CNN）といった複数のタギング戦略の性能を評価すること。
• 奇妙クォークジェットタギングの可能性を示し、トップクォーク崩壊の再構築を向上させるとともに、CKM行列要素比の直接測定を可能にする。

提案手法

• 奇妙クォークジェットでは中性カイオンの平均エネルギー割合が高く、カイオンは長寿命であるためハドロン的カルシウム（HCAL）にエネルギーを堆積させる。
• ダウンクォークジェットでは中性パイオン（π⁰ → γγ）の即座な崩壊により、電磁気的カルシウム（ECAL）にエネルギーが堆積し、電磁気的エネルギー割合に差が出る。
• 飛行中に崩壊する短命の中性カイオン（Kₛ → π⁺π⁻）は、内側のトラッキング系における二次頂点を特定することで同定され、追加の区別変数が得られる。
• カルシウムとトラッキングの観測量から得られる全ジェット変数の小さな集合に対してブーストされた意思決定木（BDT）を訓練する。
• ECAL、HCAL、トラッキングなどの検出器サブシステム信号から構築したジェット画像に畳み込みニューラルネットワーク（CNN）を適用し、空間的パターンの学習を可能にする。
• すべての手法の性能は、奇妙クォークとダウンクォークのジェットのみを含むシミュレート済みイベントを用いて評価され、さまざまなタギング効率における奇妙対ダウンジェット比に注目する。

実験結果

リサーチクエスチョン

• RQ1 カルシウムエネルギー堆積や二次頂点再構築といった検出器レベルの観測量は、奇妙クォークジェットとダウンクォークジェットを効果的に区別できるか？
• RQ2 特にCNNを含む機械学習手法は、従来のカットベースやBDT手法を上回る、奇妙クォークジェットの区別性能をどの程度向上できるか？
• RQ3 CNNを用いることで、単純なタギングアルゴリズムに比べて、奇妙対ダウンジェット比にどの程度の向上が達成できるか？
• RQ4 ボトムクォークおよび charm クォークタギングと組み合わせた場合、奇妙クォークジェットタギングは多ジェット最終状態におけるハドロン的トップクォーク崩壊の組み合わせ的混乱を軽減できるか？
• RQ5 このようなタギングを用いて、ハドロン的W崩壊におけるCKM行列要素比 |V_cs / V_cd| の直接測定が可能か？

主な発見

• ジェット画像を用いた畳み込みニューラルネットワーク（CNN）は、タギング効率が約0.02の低効率域で、ベースライン手法に比べて奇妙対ダウンジェット比が2.5倍向上した。
• タギング効率が0.2未満の範囲では、CNNはBDTや単一変数カットに比べて約2倍の改善を示し、一貫した性能向上を確認した。
• 主な区別要因は、カイオンとパイオンの検出器内での崩壊パターンの違いに起因する、中性ハドロン的エネルギー対電磁気的エネルギー比である。
• 短命カイオンからの二次頂点再構築は追加の手がかりを提供し、カルシウム情報と組み合わせることで性能が向上した。
• 本研究では、深層学習手法が検出器応答の微細で空間的に分解されたパターンを抽出し、従来の統計的手法を上回るジェットフレーバータギングを実現できることを示した。
• 結果から、奇妙クォークジェットタギングは、|V_cs / V_cd| の直接的決定や、マルチジェット最終状態におけるトップクォーク崩壊再構築の向上といった、新しい高精度測定を可能にする可能性を示唆している。