[논문 리뷰] Deep-learned Top Tagging using Lorentz Invariance and Nothing Else

Anja Butter, Gregor Kasieczka외 2명|arXiv (Cornell University)|2017. 07. 27.

Particle physics theoretical and experimental studies인용 수 5

한 줄 요약

이 논문은 레이저 벡터와 민코프스키 계량을 활용하여 캘로리미터 및 트래킹 데이터를 모두 처리하는 딥 뉴럴 네트워크 태거를 제안한다. 레이저 불변성을 기본적인 인덕티브 바이어스로 활용함으로써, 특히 고보스트 영역에서 QCD 기반 및 이미지 기반 접근법보다 뛰어난 성능을 달성한다.

ABSTRACT

We introduce a new and highly efficient tagger for hadronically decaying top quarks, based on a deep neural network working with Lorentz vectors and the Minkowski metric. With its novel machine learning setup and architecture it allows us to identify boosted top quarks not only from calorimeter towers, but also including tracking information. We show how the performance of our tagger compares with QCD-inspired and image-recognition approaches and find that it significantly increases the performance for strongly boosted top quarks.

연구 동기 및 목표

• 고에너지 물리학에서 고보스트(top quark)를 위한 매우 효율적인 태거를 개발하는 것.
• 딥 러닝에서 일반화 및 성능 향상을 위해 레이저 불변성을 구조적 인덕티브 바이어스로 활용하는 것.
• 단일 딥 러닝 프레임워크 내에서 캘로리미터 및 트래킹 정보를 통합하여 태깅 정확도를 향상시키는 것.
• 특히 고보스트 영역에서 기존의 QCD 기반 및 이미지 인식 기반 태깅 방법을 능가하는 것.

제안 방법

• 모델은 4모멘트 정보를 유지하는 캐시의 원시 레이저 벡터를 입력으로 사용한다.
• 네트워크 내부 표현에서 레이저 불변성을 보장하기 위해 민코프스키 계량을 사용한다.
• 아키텍처는 캘로리미터 타워 데이터와 트래킹 정보를 동시에 처리하도록 설계되어 있다.
• 엔드 투 엔드 학습을 통해 강하적으로 붕괴된 탑 쿼크를 식별하도록 네트워크를 훈련시킨다.
• 이미지 기반 표현을 피하고 기하학적 불변성 원리를 기반으로 한다.

실험 결과

연구 질문

• RQ1 레이저 불변성이 딥 뉴럴 네트워크의 인덕티브 바이어스로 효과적으로 구현될 수 있는가?
• RQ2 레이저 불변성을 갖춘 딥 러닝 접근법은 QCD 기반 및 이미지 기반 태깅 방법과 비교해 어떻게 성능을 내는가?
• RQ3 트래킹 정보를 통합할 경우 고보스트 영역에서 탑 쿼크 태깅 성능은 어느 정도 향상되는가?
• RQ4 이미지 변환 없이 원시 레이저 벡터를 사용할 경우 일반화 및 정확도가 더 뛰어나지는 않은가?

주요 결과

• 제안된 태거는 고보스트 탑 쿼크를 식별하는 데 있어 QCD 기반 및 이미지 인식 기반 방법을 모두 뛰어넘는다.
• 모델은 아키텍처 내에서 민코프스키 계량을 통해 레이저 불변성을 활용함으로써 뛰어난 성능을 달성한다.
• 캘로리미터 데이터와 함께 트래킹 정보를 통합함으로써 이미지 기반 프리프로세싱 없이도 태깅 효율성이 향상된다.
• 넓은 범위의 보스트 수준에서 고성능을 유지하며, 특히 가장 도전적인 고보스트 시나리오에서 뚜렷한 성능 향상을 보인다.