[논문 리뷰] Identifying the Quantum Properties of Hadronic Resonances using Machine Learning

Jakub Filipek, S.‐C. Hsu외 3명|arXiv (Cornell University)|2021. 05. 10.

Particle physics theoretical and experimental studies참고 문헌 87인용 수 5

한 줄 요약

이 논문은 LHC에서 강한 결합을 가진 하드론 붕괴 입자의 양자수—특히 스핀과 색 표현—를 식별하기 위해 조합 신경망(CNN)을 제트 이미지에 적용하는 것을 제안한다. 제트 내의 전체 복사 패턴을 활용함으로써, 이 방법은 전통적인 서브스트럭처 기법보다 뚜렷이 뛰어나며, 특히 색 단일 상태와 색 8배열 상태의 차이를 구분하거나 서로 다른 스핀 상태를 식별하는 데서 두각한 성능을 보인다. 로그 처리 및 $l_1$-정규화된 제트 이미지가 분류에 가장 적합하다.

ABSTRACT

With the great promise of deep learning, discoveries of new particles at the Large Hadron Collider (LHC) may be imminent. Following the discovery of a new Beyond the Standard model particle in an all-hadronic channel, deep learning can also be used to identify its quantum numbers. Convolutional neural networks (CNNs) using jet-images can significantly improve upon existing techniques to identify the quantum chromodynamic (QCD) (`color') as well as the spin of a two-prong resonance using its substructure. Additionally, jet-images are useful in determining what information in the jet radiation pattern is useful for classification, which could inspire future taggers. These techniques improve the categorization of new particles and are an important addition to the growing jet substructure toolkit, for searches and measurements at the LHC now and in the future.

연구 동기 및 목표

• LHC에서 하향성 붕괴를 보이는 입자의 양자수(스핀, 색 전하)를 식별하기 위한 딥러닝 접근법을 개발하기 위해.
• 제트 복사 패턴 내에 포함된 모든 정보를 활용하여 기존의 서브스트럭처 기법을 초월하기 위해.
• 동일한 최종 상태를 가졌지만 다른 양자수를 가진 다양한 블랙스팟 모델(BSM)을 구분하기 위해 제트 이미지에 대한 CNN 성능을 평가하기 위해.
• 사전처리 및 제트 그루밍의 분류 성능에 미치는 영향을 조사하기 위해.
• 학습된 필터와 주의 맵을 통한 시각화를 통해 분류에 가장 기여하는 제트 복사 패턴의 특징를 식별함으로써 해석 가능성 제공하기 위해.

제안 방법

• 제트 이미지는 $65 \times 65$ 픽셀 격자를 사용하여 검출기 내 에너지 침착을 나타내는 시뮬레이션된 하향성 붕괴 사건에서 생성된다.
• 모델의 일반화 및 성능 향상을 위해 이미지를 회전, 로그 스케일링, $l_1$ 정규화로 사전처리한다.
• 2차원 조합 신경망(CNN)은 입력 특징이 공간적 및 에너지 분포 패턴을 반영하도록 훈련되어 제트 이미지의 서브스트럭처를 기반으로 입자를 분류한다.
• 기본 BSM 입자들 사이의 쌍별 분류 작업을 수행하기 위해 훈련 및 평가가 이루어지며, 이는 $Z'$, 색온($C_\mu$), 힉스 유사($H$), 각도가 높은 쿼크($q^*$) 및 기타 입자들이다.
• 성능는 진짜 양성률(TPR)이 0.5일 때 거짓 양성률(FPR)로 측정되며, 사전처리 및 그루밍에 대한 분석 연구를 포함한다.
• 학습된 필터와 주의 맵의 시각화를 통해 분류에 기여하는 관련 복사 패턴을 식별함으로써 설명 가능성성을 향상시킨다.

실험 결과

연구 질문

• RQ1 제트 이미지에 대한 딥러닝이 서로 다른 양자수를 가진 하드론 붕괴 입자를 식별하는 데 있어 기존의 서브스트럭처 관측량보다 뛰어나게 작용할 수 있는가?
• RQ2 정규화, 로깅, 회전 등의 사전처리 단계 중에서 양자수 식별 성능 향상에 가장 기여하는 것은 무엇인가?
• RQ3 제트 그루밍(예: 트리밍)은 색 표현 방식만 다른 입자를 식별하는 데 CNN의 능력에 어떤 영향을 미치는가?
• RQ4 제트 복사 패턴 내에서 스핀과 색 양자수 식별에 가장 기여하는 특징는 무엇인가?
• RQ5 CNN은 서로 다른 입자 유형, 특히 동일한 최종 상태를 가졌지만 다른 양자수를 가진 입자들 사이에서 얼마나 잘 일반화되는가?

주요 결과

• 색 단일 상태 $Z'$와 색 8배열 색온($C_\mu$)을 구분할 때 CNN 모델은 진짜 양성률(TPR)이 0.5일 때 거짓 양성률(FPR)이 0.12를 기록하며, 기존 방법보다 뚜렷이 뛰어난 성능을 보였다.
• 제트 이미지에 로깅을 적용하고 $l_1$ 정규화를 시행함으로써 FPR이 0.12로 감소하였으며, $l_2$, Z-스코어, 최소-최대 정규화 기법보다 우수한 성능을 보였다.
• 제트 이미지의 회전은 성능에 유의미한 영향을 미치지 않았으며, 방향에 대한 불변성이 자연스럽게 학습된다는 것을 시사한다.
• 하위제트의 운동량 분율이 5% 이하인 경우 제거된 트리밍된 제트는 트리밍되지 않은 제트보다 CNN의 성능을 향상시켰으며, 이는 그루밍이 미세한 차이를 학습하는 데 도움이 된다는 것을 시사한다.
• 모델은 스핀이 다른 입자들(예: 스핀-0 힉스 유사 입자 대 스핀-1 $Z'$)과 색 표현이 다른 입자를 성공적으로 구분하였지만, 최종 상태의 차이를 구분하는 것보다 낮은 정확도를 보였다.
• 시각화 결과 CNN이 색 흐름을 나타내는 각도 상관관계와 복사 패턴을 학습하여 특히 단일 상태와 8배열 붕괴를 효과적으로 구분하는 것을 확인하였다.