[논문 리뷰] Discrimination between prompt and long-lived particles using convolutional neural network

Biplob Bhattacherjee, Swagata Mukherjee외 1명|arXiv (Cornell University)|2019. 04. 09.

Particle physics theoretical and experimental studies참고 문헌 28인용 수 3

한 줄 요약

이 논문은 LHC 데이터에서 프롬프트 입자와 장수 입자를 구별하기 위해 컨volutional 신경망(CNNs)을 사용하는 것을 제안한다. 이는 캘로리미터에서 에너지 침착의 패턴을 분석함으로써 이루어진다. 이 방법은 벤치마크 BSM 시나리오에서 이격된 제트 서명을 프롬프트 제트 서명과 효과적으로 구분하며, CNNs가 표준모델을 초월한 새로운 물리학 탐색에 강력한 도구가 될 잠재력을 보여준다.

ABSTRACT

Sophisticated machine learning techniques, like computer vision, are state of the art in modern day research. These technologically advanced algorithms have promising potential in search for physics beyond Standard Model in Large Hadron Collider (LHC). Most of the computer vision tasks are surrounded around convolutional neural networks (CNN), which can provide powerful tools for differentiating between patterns of calorimeter energy deposits by prompt particles of Standard Model and long-lived particles predicted in various models beyond the Standard Model. We demonstrate the usefulness of CNN by using a couple of physics examples from well motivated BSM scenarios predicting long-lived particles giving rise to displaced jets. Our work suggests that modern machine-learning techniques have potential to discriminate between energy deposition patterns of prompt and long-lived particles, and thus, they can be useful tools in such searches.

연구 동기 및 목표

• 고에너지 물리 실험에서 이격된 붕괴를 보이는 장수 입자를 식별하는 데 도전 과제를 해결하기 위해.
• 딥 러닝 기법이 프롬프트 입자와 장수 입자 간의 에너지 침착 패턴을 효과적으로 구분할 수 있는지 탐색하기 위해.
• 장수 입자가 포함된 현실적인 BSM 시나리오에서 CNNs가 이격된 제트를 탐지하는 데 성능을 평가하기 위해.
• LHC에서 표준모델을 초월한 물리학 탐색의 민감도를 향상시키기 위한 데이터 기반 접근법을 제공하기 위해.

제안 방법

• 연구는 캘로리미터에서의 에너지 침착의 공간적 패턴을 분석하기 위해 컨volutional 신경망(CNNs)을 활용한다.
• 입력 데이터는 프롬프트 입자와 장수 입자가 이격된 제트로 붕괴하는 데 기인한 에너지 침착을 나타내는 시뮬레이션된 검출기 이미지로 구성된다.
• CNN은 에너지 침착의 형태학적 특징을 바탕으로 이벤트를 프롬프트 또는 장수 입자 붕괴로 분류하도록 훈련된다.
• 이 방법은 CNN의 계층적 특징 추출 능력을 활용하여 샤워 패턴 내에서 미세한 공간적 차이를 탐지한다.
• 이 접근법은 장수 입자를 생성하는 것으로 예측되는 벤치마크 모델에서 검증되었다.

실험 결과

연구 질문

• RQ1 CNNs는 LHC 캘로리미터에서 프롬프트 입자와 장수 입자의 에너지 침착 패턴을 효과적으로 구별할 수 있는가?
• RQ2 伝통적인 분석 방법과 비교해 CNNs는 장수 입자에서 유래한 이격된 제트를 식별하는 데 얼마나 잘 성과를 내는가?
• RQ3 장수 입자가 포함된 현실적인 BSM 시나리오에서 CNNs의 분류 능력은 어떠한가?
• RQ4 딥 러닝 기법은 장수 입자 탐색에서 배경 오염을 얼마나 줄일 수 있는가?

주요 결과

• CNNs는 캘로리미터 내 에너지 침착의 공간 분포에 기반하여 프롬프트 입자와 장수 입자 서명을 효과적으로 구분한다.
• 이 방법은 장수 입자 BSM 모델에서의 핵심 서명인 이격된 제트를 식별하는 데 높은 분류 능력을 보여준다.
• 연구는 CNNs가 기존 분석 기법으로는 어려운 미세한 형태학적 차이를 탐지할 수 있음을 확인한다.
• 결과는 딥 러닝 기법이 LHC에서의 새로운 물리학 탐색 민감도를 크게 향상시킬 수 있음을 시사한다.