[논문 리뷰] CWoLa Hunting: Extending the Bump Hunt with Machine Learning

Jack H. Collins, Kiel Howe외 1명|arXiv (Cornell University)|2018. 05. 07.

Particle physics theoretical and experimental studies참고 문헌 5인용 수 8

한 줄 요약

이 논문은 신호 모델에 대한 사전 가정 없이 다변량 정보를 모두 활용함으로써 기존의 피크 탐지 기법을 확장하는 모델 독립적인 기계학습 방법인 CWoLa Hunting을 소개한다. 분류기 기반의 신호 강화와 불변 질량 재구성의 조합을 통해 새로운 공명 상태 탐지에 뛰어난 감도를 달성하였으며, 기존 기법이 실패하는 도전적인 전부-하드론 채널에서 성능을 입증하였다.

ABSTRACT

The oldest and most robust technique to search for new particles is to look for `bumps' in invariant mass spectra over smoothly falling backgrounds. This is a powerful technique, but only uses one-dimensional information. One can restrict the phase space to enhance a potential signal, but such tagging techniques require a signal hypothesis and training a classifier in simulation and applying it on data. We present a new method for using all of the available information (with machine learning) without using any prior knowledge about potential signals. Given the lack of new physics signals at the Large Hadron Collider (LHC), such model independent approaches are critical for ensuring full coverage to fully exploit the rich datasets from the LHC experiments. In addition to illustrating how the new method works in simple test cases, we demonstrate the power of the extended bump hunt on a realistic all-hadronic resonance search in a channel that would not be covered with existing techniques.

연구 동기 및 목표

• 신호 가정 없이 다변량 데이터를 최대한 활용하는 모델 독립적 신물리 탐색 방법을 개발하는 것.
• 기존의 피크 탐지 기법이 단일 차원의 불변 질량 분포에만 의존하는 한계를 극복하는 것.
• 표준 태깅 기법이 효과가 없는 과도한 QCD 배경이 존재하는 도전적인 최종 상태—예를 들어 전부-하드론 붕괴—에서 공명 상태를 탐지할 수 있도록 하는 것.
• 복잡한 배경이 많은 실제 LHC 탐색 환경에서 이 방법의 효과성을 입증하는 것.

제안 방법

• 모델 독립적 기계학습 기법을 사용하여 시뮬레이션된 신호 및 배경 사건을 기반으로 분류기를 훈련시어 신호 감도가 향상된 위상공간 영역을 식별한다.
• 훈련된 분류기의 출력을 데이터에 적용하여 다변량 사건 정보를 단일 차원의 구분 통계량으로 변환하고, 이를 바탕으로 피크 탐지 기법을 적용한다.
• 이 통계량을 사용하여 불변 질량 분포를 구성함으로써, 신호 강화된 관측량에서 표준 피크 탐지 기법을 적용할 수 있도록 한다.
• 이 방법은 어떤 새로운 공명 상태이든 그 스핀 또는 붕괴 구조에 관계없이 감지 가능하도록 설계되어 있으며, 위상공간 전반에 걸쳐 완전한 커버리지가 보장된다.

실험 결과

연구 질문

• RQ1 기계학습 기반 접근법이 신호 모델을 가정하지 않고도 모든 다변량 정보를 활용하여 기존의 피크 탐지 기법을 확장할 수 있는가?
• RQ2 표준 태깅 기법이 실패하는 최종 상태—예를 들어 전부-하드론 붕괴—에서 이 방법이 공명 상태 탐지에 얼마나 효과적인가?
• RQ3 실제 LHC 탐색 환경에서 복잡한 배경이 존재할 경우, 기존의 피크 탐지 기법에 비해 이 방법이 감도를 얼마나 향상시키는가?
• RQ4 이 방법은 사전에 신호 가정 없이도 고배경, 복잡한 위상공간에서 새로운 물리 신호를 탐지할 수 있는가?

주요 결과

• 기존의 피크 탐지 기법과 태깅 기법이 QCD 배경이 지나치게 강할 경우 실패하는 전부-하드론 최종 상태에서 공명 상태를 성공적으로 탐지하였다.
• 훈련된 분류기를 통해 다변량 정보를 활용함으로써, 불변 질량만을 고려할 경우보다 더 높은 신호 감도를 확보하였다.
• 신호의 위상공간 구조나 스핀에 대한 가정 없이도 위상공간 전반을 완전히 커버할 수 있었다.
• 이 기법은 실제 LHC 환경에서 복잡하고 복잡한 배경이 존재할 경우, 기존의 단일 차원 피크 탐지 기법보다 훨씬 더 강력한 모델 독립적 탐색이 가능하다는 것을 입증하였다.