[논문 리뷰] Bidirectional Long Short-Term Memory (BLSTM) neural networks for reconstruction of top-quark pair decay kinematics

Fardin Syed, R. Di Sipio외 1명|arXiv (Cornell University)|2019. 09. 03.

Particle physics theoretical and experimental studies인용 수 4

한 줄 요약

이 논문은 13 TeV 프로톤-프로톤 충돌에서 뮤온+jets 채널에서 토프 쿼크 쌍 붕괴 운동량을 재구성하기 위해, 양방향 장기 단기 기억(BlSTM) 신경망인 AngryTops를 제안한다. MadGraph5, Pythia8 및 Delphes3로 시뮬레이션한 몬테카를로 이벤트로 훈련된 모델은 표준 $χ^2$-피팅 방법과 유사한 재구성 성능를 달성하여 고에너지 물리학에서 확률적 운동량 재구성에 딥러닝이 가능한지를 입증한다.

ABSTRACT

A probabilistic reconstruction using machine-learning of the decay kinematics of top-quark pairs produced in high-energy proton-proton collisions is presented. A deep neural network whose core consists of a Bidirectional Long Short-Term Memory (BLSTM) is trained to infer the four-momenta of the two top quarks produced in the hard scattering process. The MadGraph5+Pythia8 Monte Carlo event generator is used to create a sample of top-quark pairs decaying in the $\\mu$+jets channel, whose final-state objects are used to create the input to the deep neural network. Distortions due to limited resolution of the experimental apparatus are simulated with the Delphes3 fast detector simulator. The level of agreement between the Monte Carlo predictions and the BLSTM for kinematic distributions at parton level is comparable to that obtained using a benchmark method that finds the jet permutation that minimizes an objective function.

연구 동기 및 목표

• 고에너지 프로톤-프로톤 충돌에서 토프 쿼크 쌍 붕괴 운동량을 재구성하기 위한 기계학습 기반 접근법을 개발하는 것.
• 검출기 해상도로 인해 제트가 횡방향 운동량 임계값 이하에 떨어질 경우 실패하는 전통적 재구성 방법(예: $χ^2$-피팅)의 한계를 극복하는 것.
• BLSTM 기반 신경망이 토프 쿼크, W 보손 및 바텀 쿼크의 네운동량 재구성에서 표준 알고리즘과 경쟁하거나 승승을 거두는지 평가하는 것.
• 특히 저제트 $p_{\rm T}$ 영역에서 다양한 운동량 분포에 대해 모델의 강건성과 일반화 능력을 조사하는 것.
• 파arametric 전이 함수나 고정된 제트 순서에 의존하지 않는 유연하고 외삽 가능한 재구성 기능을 제공하는 것.

제안 방법

• 양방향 장기 단기 기억(BlSTM) 코어를 갖는 딥 신경망을 훈련하여, $μ$+jets $t\bar{t}$ 붕괴 채널의 최종 상태 입자들로부터 토프 쿼크의 네운동량을 추론한다.
• 행렬 요소 계산을 위해 MadGraph5를, 파르톤 샤워링을 위해 Pythia8를 사용하여 몬테카를로 이벤트를 생성하며, 일관성을 확보하기 위해 MLM 매칭을 적용한다.
• Delphes3를 사용하여 검출기 효과를 시뮬레이션하며, 추가 $pp$ 상호작용으로 인한 피어리업까지 포함하여 실제 LHC 조건을 재현한다.
• 입력 특징으로는 재구성된 뮤온, 제트 및 미량 횡방향 운동량을 포함하며, 주요 입자들에 대해 $p_{\rm T} > 20$ GeV 및 $|\eta| < 2.5$ 절단 조건을 적용한다.
• 네트워크는 두 토프 쿼크의 네운동량, 그들의 붕괴 생성물(보손 W 및 바텀 쿼크) 및 해당 운동량 분포를 예측하도록 훈련된다.
• 성능 평가에서는 재구성된 분포를 파arton 수준의 몬테카를로 진실값과 비교하여, $p_{\rm T}$, $\eta$, $\phi$ 분포의 일치도를 측정하는 지표를 사용한다.

실험 결과

연구 질문

• RQ1 BLSTM 기반 신경망은 표준 $χ^2$-피팅 방법과 유사한 성능로 토프 쿼크 쌍 붕괴 운동량을 재구성할 수 있는가?
• RQ2 전통적 방법이 실패하는 $p_{\rm T} > 20$ GeV 임계값 이하에 떨어지는 제트의 경우, 모델은 운동량 변수 재구성 성능가 어떻게 되는가?
• RQ3 BLSTM 모델은 몬테카를로 진실값과 비교해 $p_{\rm T}$ 절단값과 횡방향 운동량 분포의 형태를 어느 정도 잘 학습하는가?
• RQ4 BLSTM 접근법이 W 보손 및 $b$-쿼크 운동량 재구성에서 보이는 한계는 무엇이며, $χ^2$-피팅의 한계와 비교해 볼 때 어떻게 되는가?
• RQ5 신경망이 재구성한 각도 분포($\eta$, $\phi$)는 몬테카를로 진실값과 어떻게 비교되며, 관측된 비대칭성의 원인은 무엇인가?

주요 결과

• BLSTM 기반 모델인 AngryTops는 토프 쿼크의 $p_{\rm T}$ 및 $\eta$ 분포 재구성 성능가 기준 $χ^2$-피팅 방법과 유사하다.
• AngryTops와 $χ^2$-피팅 모두 유사한 방식으로 토프 쿼크의 $p_{\rm T}$를 과소평가하며, 이는 재구성 과정에서 공통된 시스템적 편향이 있음을 시사한다.
• AngryTops는 항상 $b$-쿼크의 횡방향 운동량을 과소평가하며, 모든 훈련 제트가 이 조건을 충족함에도 불구하고 $p_{\rm T} > 20$ GeV 임계값을 학습하지 못한다.
• 모델는 $χ^2$-피팅에 비해 $\phi$ 및 빠르기 분포에서 비대칭성을 보이며, 이 비대칭성은 훈련 세션에 따라 변동하여 잠재적인 불안정성 또는 훈련의 완전성 부족을 시사한다.
• W 보손 및 $b$-쿼크 운동량 재구성이 양 방법 모두에서 열악한 편이지만, 신경망은 $χ^2$-피팅의 성능을 향상시키지 못한다.
• $χ^2$-피팅은 $p_{\rm T}$를 略 과소평가하고, $b$-쿼크 분포의 $p_{\rm T}$ 절단값을 정확히 반영하여 $\phi$ 분포 정확도에서 AngryTops를 압도적으로 앞서간다.