[논문 리뷰] b tagging in ATLAS and CMS

L. Scodellaro|arXiv (Cornell University)|2017. 09. 05.

Particle physics theoretical and experimental studies인용 수 3

한 줄 요약

이 논문은 LHC의 Run2 동안 바텀 쿼크의 하드론화에서 유래한 제트를 식별하기 위해 ATLAS와 CMS에서 개발한 고급 b 태깅 알고리즘을 제시한다. 다변량 기법과 딥러닝(예: RNN 및 딥 네트워크)을 활용하여 b 제트 식별 효율성과 경량 쿼크 기각률을 크게 향상시켰으며, 데이터 기반으로 성능을 검증하고 부스트된 토폴로지 및 향후 고광도 조건에 최적화되어 있다.

ABSTRACT

Many physics signals presently studied at the high energy collision experiments lead to final states with jets originating from heavy flavor quarks. This report reviews the algorithms for heavy flavor jets identification developed by the ATLAS and CMS Collaborations in view of the Run2 data taking period at the Large Hadron Collider. The improvements of the algorithms used in 2015 and 2016 data analyses with respect to previous data taking periods are discussed, as well as the ongoing developments in view of the next years of data taking. The measurements of the performance of the algorithms on data as well as the dedicated techniques for the identification of heavy flavor jets in events with boosted topologies are also presented. Finally, the effectiveness of heavy flavor jet identification in the complex environment expected during the high luminosity LHC phase is discussed.

연구 동기 및 목표

• 고에너지 양성자-양성자 충돌에서 고급 다변량 및 딥러닝 기법을 사용하여 LHC의 b 제트 식별 성능을 향상시키기.
• Run2 및 향후 고광도 LHC(HL-LHC) 단계에서 고중첩 및 부스트된 토폴로지의 과제를 해결하기.
• 새로운 CMS 픽셀 디텍터와 같은 향상된 검출기 장비를 활용하여 b 태깅의 정확도를 높이기.
• 융합된 붕괴 제품이 겹치는 부스트된 힉스 및 토퍼 퀘크 붕괴를 위한 새로운 태깅 알고리즘 개발 및 검증하기.
• 순수 토퍼 쿼크 및 QCD가 풍부한 샘플에서의 검증을 통해 데이터 기반 스케일 요인을 활용하여 신뢰할 수 있는 성능 측정 보장하기.

제안 방법

• 다양한 분류 기준(예: 트랙 영향 매개변수, 제2차 정점 재구성, 부드러운 레프톤 존재 여부 등)을 통합하여 단일 b 태깅 분류 기준을 만드는 다변량 분석(MVA)을 적용하기.
• ATLAS에서 순차적 트랙 변수를 처리하기 위해 순환 신경망(RNN)을 구현하여 b 제트 붕괴 토폴로지의 보다 정교한 모델링 가능하게 하기.
• CMS에서 더 많은 입력 변수를 처리하고 표준 알고리즘 대비 분류 성능을 향상시키기 위해 딥 네트워크(예: DeepCSV, DeepFlavour)를 사용하기.
• 부스트된 토폴로지 재구성에서 큰 R=1 캘로리메트릭 제트와 작은 R=0.2 트랙 제트 간의 매칭을 위해 고스트 연결 기법 적용하기.
• 지름이 큰 피트 제트 내의 서브제트 간의 각도 상관관계를 활용하여 H→bb 식별을 향상시키기 위한 전용 더블-b 태깅 알고리즘 개발하기.
• 시뮬레이션 편향을 보정하기 위해 토퍼 쿼크 및 반입자 붕괴가 풍부한 데이터 샘플을 사용하여 b 태깅 효율 스케일 요인 측정하기.

실험 결과

연구 질문

• RQ1 MVA 기반 b 태깅 알고리즘은 Run1 방법 대비 b 제트 식별 효율성과 경량 쿼크 기각률에서 어떻게 향상되는가?
• RQ2 RNN 및 딥 네트워크와 같은 딥러닝 기법은 고중첩 환경에서 b 태깅 성능을 얼마나 향상시킬 수 있는가?
• RQ3 큰 콘 각도의 캘로리메트릭 제트와 트랙 서브스트럭처를 사용하여 b 쿼크로 붕괴하는 부스트된 힉스 보손을 식별하는 데 최적의 전략은 무엇인가?
• RQ4 업그레이드된 CMS 픽셀 디텍터와 같은 새로운 검출기 구성 요소는 b 태깅 성능 및 제2차 정점의 분辨도에 어떤 영향을 미치는가?
• RQ5 고광도 LHC 단계에서 예상되는 극한 조건에서도 b 태깅 알고리즘이 높은 성능을 유지할 수 있는가?

주요 결과

• ATLAS의 RNNIP 태거는 트랙 단위 변수만을 사용하여 전통적인 영향 매개변수 기반 알고리즘을 뛰어넘는 b 제트 식별 성능을 보였다.
• 2017년도 신규 픽셀 디텍터 데이터로 훈련된 CMS의 DeepCSV 알고리즘은 이전 버전 대비 성능 향상을 보였으며, 0.1% 오태깅 비율에서 4%의 효율성 향상이 확인되었다.
• CMS의 새로운 DeepFlavour 태거는 초도 결과 기반으로 0.1% 오태깅 확률에서 DeepCSV 대비 4%의 효율성 향상을 예측하고 있다.
• 부스트된 H→bb 붕괴의 경우, 두 개의 매칭된 트랙 제트가 비대칭 b 태깅 조건을 충족하도록 요구할 때 성능이 가장 뛰어나며, 단일 제트 또는 서브제트 태깅보다 뛰어난 성능 보였다.
• CMS의 더블-b 태거는 b 쿼크 붕괴 제품 간의 각도 상관관계를 활용하여 표준 피트 제트 및 서브제트 b 태깅보다 H→bb 붕괴 식별에서 뛰어난 성능을 보였다.
• ATLAS 및 CMS의 b 태깅 성능 스케일 요인은 t¯t 및 뮤온이 풍부한 샘플에서의 데이터를 사용하여 고정밀도로 측정되었으며, 물리 분석에서 신뢰할 수 있는 校정이 가능해졌다.