[논문 리뷰] Identification of hadronic tau lepton decays using a deep neural network

CMS Collaboration|arXiv (Cornell University)|2022. 01. 20.

Particle Detector Development and Performance인용 수 4

한 줄 요약

이 논문은 CMS 검출기에서 쿼ark/글루온 제트, 전자, 뮤온과 같은 배경 소스로부터 진정한 하드로닉 타우 레프톤 붕괴(하드로닉 타우 후보)를 더 잘 식별하기 위해, 후보 주변의 모든 재구성된 입자를 위상도-현미경각도(η-φ) 공간에서 컨볼루션 계층을 사용해 처리하는 딥 뉴럴 네트워크(DNN)-기반 알고리즘인 DeepTau를 제시한다. 이 방법은 일정한 배경 기각률에서 제트 배경에 대한 진짜 타우 효율을 10–30% 향상시키며, π⁰ 메손이 포함된 3개의 끝이 있는 붕괴 및 잘 재구성되지 않은 충전된 하드론을 포함한 이전에 제외된 붕괴 모드까지 복원함으로써 재구성 범위를 확장한다.

ABSTRACT

A new algorithm is presented to discriminate reconstructed hadronic decays of tau leptons ($τ_\mathrm{h}$) that originate from genuine tau leptons in the CMS detector against $τ_\mathrm{h}$ candidates that originate from quark or gluon jets, electrons, or muons. The algorithm inputs information from all reconstructed particles in the vicinity of a $τ_\mathrm{h}$ candidate and employs a deep neural network with convolutional layers to efficiently process the inputs. This algorithm leads to a significantly improved performance compared with the previously used one. For example, the efficiency for a genuine $τ_\mathrm{h}$ to pass the discriminator against jets increases by 10-30% for a given efficiency for quark and gluon jets. Furthermore, a more efficient $τ_\mathrm{h}$ reconstruction is introduced that incorporates additional hadronic decay modes. The superior performance of the new algorithm to discriminate against jets, electrons, and muons and the improved $τ_\mathrm{h}$ reconstruction method are validated with LHC proton-proton collision data at $\sqrt{s} =$ 13 TeV.

연구 동기 및 목표

• LHC에서의 프로톤-프로톤 충돌에서 쿼크/글루온 제트, 전자, 뮤온과 같은 배경 소스로부터 진정한 하드로닉 타우 붕괴(τh)를 식별하는 것을 향상시키기 위해.
• 이전의 다변량 분석(MVA) 및 임계값 기반 식별자들이 제트, 전자, 뮤온을 별도로 다루고 고수준 입력 변수만 사용한 점을 해결하기 위해.
• π⁰ 메손이 포함된 3개의 끝이 있는 붕괴 및 부분적으로 재구성되지 않은 충전된 하드론을 포함한 추가적인 τh 붕괴 모드를 포함시켜 재구성 효율을 향상시키기 위해.
• 공간적으로 불변인 컨볼루션 처리를 사용해 동시에 모든 주요 배경 소스에 대해 τh 후보를 분류하는 통합형 엔드 투 엔드 딥 러닝 프레임워크를 개발하기 위해.
• 13 TeV LHC 프로톤-프로톤 충돌 데이터를 사용해 새로운 알고리즘의 성능을 검증하여, 신호 효율성과 배경 기각 능력 측면에서 열등한 방법보다 뛰어난 성능을 입증하기 위해.

제안 방법

• 진짜 타우 후보 주변의 모든 재구성된 입자를 위상도-현미경각도(η-φ) 공간에서 컨볼루션 계층을 사용해 처리함으로써 이동 불변성을 활용하는 딥 뉴럴 네트워크(DNN)를 사용한다.
• 입력 특징으로는 고수준 변수(예: 횡방향 운동량 합)와 τh 축 주변의 모든 입자로부터의 원시 입자 수준 정보(pT, η, φ, 전하)를 포함한다.
• η-φ 분포에서 입자들의 국소적 패턴을 추출하기 위해 2차원 컨볼루션 계층을 사용하여 공간적 특징 학습을 위해 이미지 인식 기법을 모방한다.
• DNN를 동시에 제트, 전자, 뮤온과의 분류를 위해 연합 분류 목표 함수를 사용해 훈련시켜 τh 후보를 식별한다.
• π⁰ 메손이 포함된 3개의 끝이 있는 τh 붕괴(전체 τh 붕괴의 7.4%)와 한 개의 충전된 하드론이 트랙이나 하드론으로 재구성되지 않은 경우를 포함하는 새로운 재구성 체인에 DNN를 통합한다.
• 검증을 위해 실제 13 TeV LHC 데이터를 사용하기 전에 시뮬레이션된 이벤트를 사용해 네트워크 아키텍처와 훈련 절차를 최적화한다.

Figure 1: Decay mode confusion matrix. For a given generated decay mode, the fractions of reconstructed \tauh in different decay modes are given, as well as the fraction of generated \tauh that are not reconstructed. Both the generated and reconstructed \tauh need to fulfil $\pt>20\GeV$ and $\abs{\e

실험 결과

연구 질문

• RQ1 제트, 전자, 뮤온에 대해 별도로 설계된 이전 식별자들과 비교해 통합형 딥 뉴럴 네트워크가 하드로닉 타우 붕괴 식별 효율을 향상시킬 수 있는가?
• RQ2 η-φ 공간에서 컨볼루션 계층을 통해 처리하는 모든 근처 재구성된 입자를 포함함으로써, 배경 소스에 대한 식별 능력이 얼마나 향상되는가?
• RQ3 이전에 제외된 τh 붕괴 모드를 포함한 새로운 재구성 방법이 τh 식별의 전체 효율성과 순도에 어떤 영향을 미치는가?
• RQ4 고정된 배경 기각률에서 DNN 기반 DeepTau 알고리즘을 사용할 경우, 이전의 MVA 기반 방법 대비 신호 효율성 향상은 어느 정도인가?
• RQ5 실제 LHC 충돌 데이터(√s = 13 TeV)에 적용했을 때, 새로운 알고리즘이 강건성과 일관성을 유지하는가?

주요 결과

• DeepTau 알고리즘은 이전의 MVA 기반 식별자와 비교해, 쿼크 및 글루온 제트에 대한 일정한 기각률에서 진짜 하드로닉 타우 레프톤 효율을 10–30% 향상시킨다.
• DNN 기반 접근법은 고밀도 입자 입력으로부터 복잡한 비선형 패턴을 학습할 수 있기 때문에, 전자 및 뮤온 포함 모든 범주에서 배경 기각 성능을 크게 향상시킨다.
• π⁰ 메손이 포함된 3개의 끝이 있는 τh 붕괴와 부분적으로 재구성되지 않은 충전된 하드론을 포함함으로써, 이전에 놓친 붕괴 모드를 복원함으로써 전체 재구성 효율이 향상된다.
• 알고리즘의 성능은 실제 13 TeV 프로톤-프로톤 충돌 데이터에서 검증되었으며, 실제 실험 조건에서 기존 방법보다 강건성과 우수성을 입증했다.
• 근처 입자들의 η-φ 맵에 컨볼루션 계층을 적용함으로써, 전통적인 고수준 변수 기반 방법보다 τh 붕괴의 위상적 특징을 더 효과적으로 포착할 수 있다.
• DeepTau 알고리즘은 이제 CMS 분석 체인에 통합되어 하드로닉 타우 붕괴를 포함한 힉스 보손 및 새로운 물리 현상 탐색의 감도를 향상시키고 있다.

Figure 2: Layout of the grids in $\eta$ - $\phi$ space around the reconstructed \tauh axis used to process the particle-level inputs for the convolutional layers of the DNN. The inner grid comprises $11{\times}11$ cells with a grid size of $0.02{\times}0.02$ and contains the signal cone with a radiu