[논문 리뷰] Jet Constituents for Deep Neural Network Based Top Quark Tagging

J. Pearkes|arXiv (Cornell University)|2017. 04. 07.

Particle physics theoretical and experimental studies참고 문헌 21인용 수 34

한 줄 요약

이 논문은 순서화된 제트 구성입자의 순서를 입력으로 사용하여 픽셀화 또는 고수준 특징 추출 없이 전체 제트 정보를 유지하는 딥 네ural 네트워크(DNN) 방법을 제안한다. 이 방법은 LHC 런 2에서 예상되는 풍부한 피어리업 수준에서도 강건하며, 600–2500 GeV의 운동량 범위에서 복구 수준 제트에 대해 50% 신호 효율에서 배경 기각율이 45에 도달한다.

ABSTRACT

Recent literature on deep neural networks for tagging of highly energetic jets resulting from top quark decays has focused on image based techniques or multivariate approaches using high-level jet substructure variables. Here, a sequential approach to this task is taken by using an ordered sequence of jet constituents as training inputs. Unlike the majority of previous approaches, this strategy does not result in a loss of information during pixelisation or the calculation of high level features. The jet classification method achieves a background rejection of 45 at a 50% efficiency operating point for reconstruction level jets with transverse momentum range of 600 to 2500 GeV and is insensitive to multiple proton-proton interactions at the levels expected throughout Run 2 of the LHC.

연구 동기 및 목표

• 원시 제트 구성입자 순서를 사용하여 픽셀화 또는 고수준 특징 추출으로 인한 정보 손실을 방지하는 탑 쿼크 태깅 방법을 개발한다.
• 600–2500 GeV의 운동량 범위에서 매우 강력하게 부스터된 제트의 배경 기각을 향상시킨다.
• LHC 런 2 수준의 피어리업 효과에 대한 강건성을 평가한다.
• 명시적인 고수준 변수에 의존하지 않고 DNN이 의미 있는 하위구조 특징을 암묵적으로 학습하는지 조사한다.
• 고에너지 물리학에서 순서 기반 딥 러닝 아키텍처의 제트 태깅 잠재력을 탐색한다.

제안 방법

• 모델은 제트 구성입자의 4차원 운동량 순서를 입력으로 받아 제트의 전체 운동학적 정보를 유지한다.
• 입력 순서와 전처리가 물리적 제트 성질을 유지하도록 설계된 완전히 연결된 피드포워드 DNN이 순서 기반 제트 구성입자 데이터로 훈련된다.
• 이진 교차 엔트로피 손실 함수를 사용하여 제트를 탑 쿼크 붕괴(신호) 또는 QCD 제트(배경)로 분류하도록 네트워크를 훈련시킨다.
• 데이터 전처리에는 구성입자의 정규화 및 횡방향 운동량 기반 순서 정렬이 포함되어 모델의 일반화 능력을 향상시킨다.
• 깊이 및 너비가 다양한 설정의 아키텍처를 평가하였으며, 터널형 및 드롭아웃 정규화를 적용한 변형도 포함된다.
• 피어리업 시나리오와 제트 부스터링 조건을 다양하게 설정하여 성능의 강건성을 평가한다.

실험 결과

연구 질문

• RQ1 원시 제트 구성입자를 사용하는 순서 기반 DNN 접근법이 기존의 이미지 기반 또는 다변량 하위구조 기법보다 탑 쿼크 태깅에서 우월한가?
• RQ2 고수준 특징 대비 구성입자 수준의 전체 정보를 유지할 경우 배경 기각 성능 향상 정도는 어느 정도인가?
• RQ3 LHC 런 2 수준의 피어리업 효과에 대해 DNN 성능은 어느 정도 강건한가?
• RQ4 명시적으로 훈련되지 않았음에도 불구하고 DNN이 제트 질량이나 τ32와 같은 알려진 하위구조 변수를 암묵적으로 학습하는가?
• RQ5 LSTM과 같은 대체 아키텍처가 순서 기반 제트 태깅에서 성능을 더욱 향상시킬 수 있는가?

주요 결과

• DNN는 600–2500 GeV의 운동량 범위에서 복구 수준 제트에 대해 50%의 신호 효율에서 배경 기각율이 45에 도달한다.
• 진실 수준 입자 제트의 경우 동일한 50% 효율 지점에서 배경 기각율이 65에 도달하여 파article 수준 정보에서 뛰어난 성능을 보인다.
• LHC 2016 피어리업 시나리오 하에서 성능에 유의미한 열화가 없음을 확인하여 다수의 양성자-양성자 충돌에 대한 강건성을 입증한다.
• 네트워크 출력이 제트 질량과 강하게 상관관계가 있고, τ32와는 중간 정도로 상관관계가 있음을 확인하여 명시적 지도 없이도 핵심 하위구조 특징을 학습하고 있음을 시사한다.
• 네트워크 출력과 제트 횡방향 운동량 간에 상관관계가 없음을 관측하여 모델이 분류에 pT에 의존하지 않음을 확인한다.
• 깊은 네트워크, 터널형 아키텍처, 드롭아웃 정규화 등 아키텍처 변형이 성능 향상에 기여하지 않아, 기본 아키텍처가 이 설정에서 최적에 가까운 것으로 나타났다.