[논문 리뷰] A $W^\pm$ polarization analyzer from Deep Neural Networks

Taegyun Kim, A. Martin|arXiv (Cornell University)|2021. 02. 09.

Particle physics theoretical and experimental studies참고 문헌 35인용 수 4

한 줄 요약

이 논문은 강력한 W± 레이저의 픽셀화된 이미지를 분석하여 종방향 극화 분율 fL을 추론하는 컨volutional 신경망(CNN)을 제안한다. 이는 제트의 구조적 특성과 에너지 분포를 기반으로 하며, 표준모형(SM)과 새로운 물리학(BSM) 상황에서 모두 강건한 성능을 보이며, 차원-6 연산자를 포함한 다양한 시나리오에서 정확하게 fL를 추출한다. 특히 개별 이벤트를 태그할 수는 없지만, W± 이벤트의 집합에서 fL를 정확히 추출할 수 있다.

ABSTRACT

In this paper, we train a Convolutional Neural Network to classify longitudinally and transversely polarized hadronic $W^\pm$ using the images of boosted $W^{\pm}$ jets as input. The images capture angular and energy information from the jet constituents that is faithful to properties of the original quark/anti-quark $W^{\pm}$ decay products without the need for invasive substructure cuts. We find that the difference between the polarizations is too subtle for the network to be used as an event-by-event tagger. However, given an ensemble of $W^{\pm}$ events with unknown polarization, the average network output from that ensemble can be used to extract the longitudinal fraction $f_L$. We test the network on Standard Model $pp o W^{\pm}Z$ events and on $pp o W^{\pm}Z$ in the presence of dimension-6 operators that perturb the polarization composition.

연구 동기 및 목표

• 강력한 제트 상태에서 하드론적 W± 붕괴의 머신러닝 기반 극화 분석기를 개발하여, 구조적 자르기(substructure cuts)에 의존하지 않도록 하는 것.
• 딥 네ural 네트워크가 제트 이미지 내에서 종방향과 횡방향 W± 극화를 구분하는 데 미세한 특징을 감지할 수 있는지 조사하는 것.
• 개별 이벤트의 극화가 구분되지 않는 상황에서도 W± 이벤트의 집합으로부터 종방향 극화 분율 fL을 추출하는 것.
• 새로운 물리학 효과, 예를 들어 W± 극화 조합을 변화시키는 차원-6 연산자들이 존재할 경우에도 이 방법의 강건성을 시험하는 것.

제안 방법

• 이 방법은 제트 구성 입자의 공간적 및 에너지 정보를 유지하는 2차원 컨volutional 신경망(CNN)에 강력한 W± 제트의 픽셀화된 이미지를 입력으로 사용한다.
• 네트워크는 파arton 수준의 이벤트로 훈련되며, W+jets에서 유도된 횡방향 극화된 W±와 H→W+W− 붕괴에서 유도된 종방향 극화된 W±를 시뮬레이션하여 주요 극화 상태를 반영한다.
• 네트워크 출력은 이벤트 집합에 대해 평균화되어 종방향 극화 분율 fL를 추정하며, 불확도는 부트스트래핑을 통해 계산된다.
• 성능은 표준모형의 pp→W±Z 과정과 차원-6 연산자(OW 및 O3W)가 fL를 변화시키는 BSM 시나리오에서 검증된다.
• 성능 향상을 평가하기 위해 MaxOut 및 ResNet 아키텍처와의 비교 분석이 수행된다.
• 이 방법은 명시적인 구조적 변수를 사용하지 않으며, 대신 CNN이 이미지 데이터에서 직접 극화 민감한 패턴을 학습할 수 있는 능력에 의존한다.

실험 결과

연구 질문

• RQ1 딥 네럴 네트워크는 제트 이미지 데이터만으로 종방향과 횡방향 극화된 W± 보손을 구별할 수 있는가?
• RQ2 강력한 W± 제트에서 극화 차이가 미세하여 개별 이벤트 태깅에 실패하지만, 집합 수준의 fL 추출은 여전히 가능할까?
• RQ3 표준모형의 pp→W±Z 과정에서 구조적 자르기 없이 제트 이미지만을 사용하여 네트워크가 fL를 정확히 복원할 수 있는가?
• RQ4 W± 극화 분율을 변화시키는 새로운 물리학 효과, 예를 들어 차원-6 연산자 존재 시 이 방법의 성능은 어떠한가?
• RQ5 네트워크 아키텍처(CNN 대비 MaxOut 및 ResNet)가 fL 추정 정확도에 상당한 영향을 미치는가?

주요 결과

• CNN은 W± 이벤트 집합으로부터 종방향 극화 분율 fL를 성공적으로 추출하며, 다양한 네트워크 아키텍처 간 일관된 결과를 보였다.
• 저운동량(pT)에서 표준모형의 pp→W±Z 과정에서 CNN은 fL = 0.259 ± 0.013를 추정하였으며, 진짜 값 0.265와 유사하다.
• 고운동량(pT)에서 표준모형의 경우 CNN은 fL = 0.300 ± 0.033를 추정하였으며, 진짜 값 0.304와 일치한다.
• OW 차원-6 연산자가 존재할 경우, CNN은 fL = 0.297 ± 0.010를 복원하였으며, 진짜 값 0.311과 유사하다.
• O3W 연산자에 대해서는 CNN이 fL = 0.254 ± 0.011를 추정하였으며, 진짜 값 0.258과 일치한다.
• 모든 아키텍처에서 성능가 포화 상태에 도달하여, MaxOut 또는 ResNet이 CNN보다 성능 향상이 뚜렷하지 않음을 확인하였으며, 이는 CNN이 fL 추출에 충분함을 시사한다.