[논문 리뷰] End-to-End Physics Event Classification with the CMS Open Data: Applying Image-based Deep Learning on Detector Data to Directly Classify Collision Events at the LHC

Michael Benjamin Andrews, M. Paulini외 2명|arXiv (Cornell University)|2018. 07. 31.

Particle Detector Development and Performance인용 수 9

한 줄 요약

이 논문은 CMS 오픈 데이터에서 제공하는 저수준 시뮬레이션 검출기 데이터를 사용하여 LHC에서의 양성자-양성자 충돌 사건을 직접 분류하는 엔드 투 엔드 이미지 기반 딥러닝 접근법을 제안한다. 입자가 완전히 해상되지 않은 상황에서도 전자기 쇄도 형상, 각도 분포 및 충격 에너지를 학습함으로써, 기존의 운동량 기반 분류기보다 힉스 보손이 두 개의 광자로 붕괴하는 경우를 주요 배경 과정과 더 잘 구분한다.

ABSTRACT

This paper describes the construction of novel end-to-end image-based classifiers that directly leverage low-level simulated detector data to discriminate signal and background processes in proton–proton collision events at the Large Hadron Collider at CERN. To better understand what end-to-end classifiers are capable of learning from the data and to address a number of associated challenges, we distinguish the decay of the standard model Higgs boson into two photons from its leading background sources using high-fidelity simulated CMS Open Data. We demonstrate the ability of end-to-end classifiers to learn from the angular distribution of the photons recorded as electromagnetic showers, their intrinsic shapes, and the energy of their constituent hits, even when the underlying particles are not fully resolved, delivering a clear advantage in such cases over purely kinematics-based classifiers.

연구 동기 및 목표

• LHC에서의 사건 분류를 위해 저수준 검출기 데이터를 직접 사용하는 엔드 투 엔드 분류기를 개발하는 것.
• 딥러닝 모델이 재구성된 운동량 변수에 의존하지 않고도 원시 검출기 데이터로부터 의미 있는 물리적 특징을 학습할 수 있는지 조사하는 것.
• 전자기 쇄도의 공간적 및 에너지 패턴을 활용하여 힉스 보손이 두 광자로 붕괴하는 경우의 신호-배경 구분을 향상시키는 것.
• 입자 정체성이 완전히 해상되지 않은 상황에서 이미지 기반 분류기의 성능을 평가하는 것.

제안 방법

• 방법은 시뮬레이션된 CMS 검출기 데이터에서 전자기 쇄도의 2차원 이미지 표현을 구성하여 입자 충격의 공간적 및 에너지 정보를 인코딩한다.
• 이 검출기 수준의 이미지에 대해 엔드 투 엔드로 훈련된 합성곱 신경망(CNN)이 충돌 사건을 신호(H→γγ) 또는 배경으로 분류한다.
• 모델은 중간 재구성 단계가 필요 없이 쇄도의 본질적 형상, 광자의 각도 분포 및 에너지 침착 패턴을 학습한다.
• 고정밀도 시뮬레이션된 CMS 오픈 데이터를 사용하여 실제 훈련 및 평가 조건을 보장한다.
• 성능 평가를 위해 AUC 및 신호 유의도와 같은 표준 지표를 사용한다.

실험 결과

연구 질문

• RQ1 원시 검출기 데이터를 기반으로 훈련된 엔드 투 엔드 딥러닝 모델이 힉스 보손이 두 광자로 붕괴하는 경우를 주요 배경 과정과 효과적으로 구분할 수 있는가?
• RQ2 입자 정체성이 완전히 해상되지 않은 상황에서 이러한 모델이 쇄도 충격의 공간적 및 에너지 분포로부터 어떤 물리적 특징을 학습하는가?
• RQ3 검출기 수준 데이터를 사용하는 이미지 기반 분류기와 기존의 운동량 기반 분류기 간의 성능는 어떻게 비교되는가?
• RQ4 재구성 과정이 모호한 복잡한 사건 구조에 대해 모델이 얼마나 일반화 가능한가?

주요 결과

• 엔드 투 엔드 이미지 기반 분류기는 검출기 내 전자기 쇄도의 각도 분포와 본질적 형상을 효과적으로 학습한다.
• 입자 정체성이 완전히 해상되지 않은 경우일수록 운동량 기반 분류기보다 뛰어난 성능을 달성한다.
• 분류기는 쇄도 충격 전체에 걸친 미세한 에너지 침착 패턴을 잘 포착하여 신호-배경 분리 성능을 향상시킨다.
• 이 접근법은 딥러닝 모델이 명시적 특징 공학 없이도 원시 검출기 데이터에서 의미 있는 물리적 관련 특징을 추출할 수 있음을 드러낸다.