[논문 리뷰] ATLAS flavour-tagging algorithms for the LHC Run 2 $pp$ collision dataset

ATLAS Collaboration, Aad, Georges외 2964명|arXiv (Cornell University)|2022. 01. 01.

Particle physics theoretical and experimental studies인용 수 15

한 줄 요약

이 논문은 LHC 런 2 동안 ATLAS에서 사용하기 위한 새로운 풍미 태깅 알고리즘을 제시하며, 순환 및 딥 신경망을 활용해 제트-풍미 식별 성능을 향상시킵니다. 77%의 b-제트 효율에서, 이 방법은 경량 제트에 대해 170배, 채르모 제트에 대해 5배의 거부 요인을 달성하여 이전의 부스팅된 决定 트리 또는 우도 판별자 기반 방법보다 뚜렷이 뛰어납니다.

ABSTRACT

The flavour-tagging algorithms developed by the ATLAS Collaboration and used to analyse its dataset of $\sqrt{s} = 13$ TeV pp collisions from Run 2 of the Large Hadron Collider are presented. These new tagging algorithms are based on recurrent and deep neural networks, and their performance is evaluated in simulated collision events. These developments yield considerable improvements over previous jet-flavour identification strategies. At the 77% b-jet identification efficiency operating point, light-jet (charm-jet) rejection factors of 170 (5) are achieved in a sample of simulated Standard Model $t\bar{t}$ events; similarly, at a c-jet identification efficiency of 30%, a light-jet (b-jet) rejection factor of 70 (9) is obtained.

연구 동기 및 목표

• LHC에서 토프-쿼크 및 힉스 보손 물리에서 제트-풍미 식별 성능을 향상시키기 위해.
• 고다수, 고에너지 환경에서 b-제트, c-제트, 경량 풍미 제트를 구분하는 데 도전하는 문제를 다루기 위해.
• 딥 러닝을 활용해 성능 향상을 위한 새로운 저수준 및 고수준 태깅 알고리즘을 개발하고 평가하기 위해.
• b- 및 c-제트 태깅 효율성과 거부율을 향상시켜 정밀 측정 및 새로운 물리 현상 탐색에서 배경 오염을 줄이기 위해.

제안 방법

• 이 방법은 두 단계 접근 방식을 사용한다: 저수준 알고리즘이 트랙과 병합점을 통해 특징을 추출한 후, 고수준 다변량 분류기가 이를 처리한다.
• 저수준 알고리즘에는 트랙 기반 순환 신경망, 영향력 있는 파라미터 추정기, 제2차 정점 탐지기, 그리고 위상적 다중 정점 탐지기 등이 포함된다.
• 고수준 풍미 태거는 DL1 시리즈의 딥 러닝 모델에 기반하며, 저수준 알고리즘의 출력을 조합해 최적의 식별을 달성한다.
• 알고리즘은 t¯t 및 고질량 Z′→qq 이벤트의 하이브리드 몬테카를로 샘플을 기반으로 훈련 및 검증되며, 제트 pT에 따라 혼합 비율을 조정하여 다양한 운동량 스케일에서 최적의 성능을 확보한다.
• 성능 평가는 시뮬레이션 이벤트를 기반으로 하며, 거부 요인과 정해진 운영 지점에서의 효율성 등의 지표를 사용한다.
• 과적합 여부 점검 및 MC 생성기 의존성 연구를 수행하여 모델의 강건성과 일반화 능력을 확보한다.

실험 결과

연구 질문

• RQ1 순환 및 딥 신경망은 기존의 부스팅된 결정 트리와 비교해 b- 및 c-제트 태깅 성능을 어떻게 향상시키는가?
• RQ2 고수준 풍미 태깅을 위한 최적의 저수준 특징 조합(예: 영향력 있는 파라미터, 제2차 정점 등)은 무엇인가?
• RQ3 새로운 알고리즘의 성능는 다양한 제트 횡방향 운동량 영역과 MC 생성기 모델 간에서 어떻게 변화하는가?
• RQ4 새로운 알고리즘은 과적합을 어느 정도 줄이고 다양한 이벤트 생성기 간에서 강건성을 유지하는가?

주요 결과

• 77%의 b-제트 식별 효율에서, 알고리즘은 시뮬레이션된 t¯t 이벤트에서 경량 제트에 대해 170배, 채르모 제트에 대해 5배의 거부 요인을 달성한다.
• 30%의 c-제트 식별 효율에서, 방법은 경량 제트에 대해 70배, b-제트에 대해 9배의 거부 요인을 달성한다.
• 트래킹 시스템에 삽입식 B-레이어(IBC)를 통합함으로써, 고정된 b-제트 효율에서 경량 풍미 제트 거부율이 최대 4배 향상된다.
• 새로운 딥 러닝 기반 알고리즘은 이전의 우도 판별자 또는 부스팅된 결정 트리 기반 방법보다 뚜렷이 뛰어난 성능을 보인다.
• 체계적 점검 결과 과적합이 최소화되고, 다양한 몬테카를로 생성기 모델 간에서 안정된 성능을 유지한다.
• 알고리즘이 파arton 샤워 및 분열 모델의 변동성에 대해 강건함을 보이며, 강력한 일반화 능력을 나타낸다.