[논문 리뷰] Jet Flavour Tagging at FCC-ee with a Transformer-based Neural Network: DeepJetTransformer

F. Blekman, F. Canelli외 5명|arXiv (Cornell University)|2024. 01. 01.

Meteorological Phenomena and Simulations인용 수 1

한 줄 요약

이 논문은 FCC-ee에서 제트 풍미 태깅을 위한 트랜스포머 기반 신경망인 DeepJetTransformer를 제시한다. 이 모델은 입자 흐름 물체, 제2차 및 V0 꼬리점, K±/π± 분리 정보를 사용하여 b-, c-, s-제트를 고성능으로 식별한다. √s = 91.2 GeV에서 통합 루미노사티가 60 nb⁻¹일 경우 Z → s¯s의 5σ 발견을 가능하게 하여 향후 렙톤 충돌기에서 정밀한 스트랭지 쿼크 물리의 실현 가능성을 입증한다.

ABSTRACT

Jet flavour tagging is crucial in experimental high-energy physics. A tagging algorithm, DeepJetTransformer, is presented, which exploits a transformer-based neural network that is substantially faster to train than state-of-the-art graph neural networks. The DeepJetTransformer algorithm uses information from particle flow-style objects and secondary vertex reconstruction for $b$- and $c$-jet identification, supplemented by additional information that is not always included in tagging algorithms at the LHC, such as reconstructed $K_{S}^{0}$ and $Λ^{0}$ and $K^{\pm}/π^{\pm}$ discrimination. The model is trained as a multiclassifier to identify all quark flavours separately and performs excellently in identifying $b$- and $c$-jets. An $s$-tagging efficiency of $40\%$ can be achieved with a $10\%$ $ud$-jet background efficiency. The performance improvement achieved by including $K_{S}^{0}$ and $Λ^{0}$ reconstruction and $K^{\pm}/π^{\pm}$ discrimination is presented. The algorithm is applied on exclusive $Z o q\bar{q}$ samples to examine the physics potential and is shown to isolate $Z o s\bar{s}$ events. Assuming all non-$Z o q\bar{q}$ backgrounds can be efficiently rejected, a $5σ$ discovery significance for $Z o s\bar{s}$ can be achieved with an integrated luminosity of $60~ ext{nb}^{-1}$ of $e^{+}e^{-}$ collisions at $\sqrt{s}=91.2~\mathrm{GeV}$, corresponding to less than a second of the FCC-ee run plan at the $Z$ boson resonance.

연구 동기 및 목표

• FCC-ee의 Z 보손 공진 상태 환경에 맞게 빠르고 정확한 제트 풍미 태깅 알고리즘을 개발하기 위해.
• 낮은 입자 수와 짧은 수명을 가진 붕괴 생성물로 인해 태깅이 어려운 스트랭지(s) 쿼크 제트의 식별을 향상시키기 위해.
• K⁰ₛ, Λ⁰ 및 K±/π± 분리와 같은 희귀하지만 정보가 풍부한 물리적 물체를 포함했을 때 태깅 성능에 미치는 영향을 평가하기 위해.
• 실제 검출기 시뮬레이션을 기반으로 DeepJetTransformer의 물리적 잠재력을 입증하기 위해, 현실적인 검출기 조건 하에서 Z → s¯s 붕괴를 고의적으로 분리하기 위해.
• 향후 FCC-ee 이외의 렙톤 충돌기에도 적용 가능한 확장 가능하고 일반화 가능한 태깅 프레임워크를 구축하기 위해.

제안 방법

• 복잡한 국소적이지 않은 의존성을 모델링하기 위해 스케일드 닷프로덕트 어텐션을 사용하는 트랜스포머 기반 신경망 아키텍처를 사용한다.
• 입자 흐름 물체, 재구성된 제2차 꼬리점(SVs), V0 꼬리점(K⁰ₛ, Λ⁰), K±/π± 분리에 대한 입자 식별(PID) 기능을 입력으로 처리한다.
• 중량을 동적으로 조정하기 위해 헤비 플래avour 트랜스포머 블록 내에서 다중 헤드 자기어텐션 메커니즘을 적용한다.
• 몬테카를로 시뮬레이션된 이벤트를 사용하여 다중 클래스 분류기로 모델을 훈련시어 b, c, s, u, d, 그리고 글루온 제트를 구분한다.
• 아키텍처 설계를 통해 훈련 효율을 최적화하여 최신 기술의 그래프 신경망보다 더 빠른 수렴을 가능하게 한다.
• 실제 검출기 조건 하에서 Z → q̄q의 배경을 효과적으로 제거할 수 있는 조건에서, 배제적 Z → q̄q 샘플에 모델을 적용하여 성능을 평가한다.

실험 결과

연구 질문

• RQ1 트랜스포머 기반 모델이 기존의 GNN 및 DNN 접근 방식보다 빠른 훈련 속도를 유지하면서도 유사하거나 더 높은 정확도로 FCC-ee에서 제트 풍미 태깅 성능을 뛰어넘을 수 있는가?
• RQ2 K⁰ₛ, Λ⁰ 및 K±/π± 분리 기능을 포함했을 때, 표준 태깅 입력에 비해 s-제트 식별 성능에 얼마나 기여하는가?
• RQ3 실제 배경 제거 조건 하에서 Z → s̄s의 5σ 발견을 달성하기 위해 필요한 최소 통합 루미노사티는 얼마인가?
• RQ4 꼬리점 재구성 및 입자 식별의 품질이 태거 성능에 어떻게 영향을 미치는가?
• RQ5 반대 반구역에 고운동량 카이온을 요구하는 이벤트 수준의 태깅 전략이 s-쿼크 제트 식별에 얼마나 기여하는가?

주요 결과

• DeepJetTransformer는 u/d-제트 배경 효율이 10%일 때 s-태깅 효율이 40%에 도달하여 강력한 구분 능력을 보였다.
• K⁰ₛ 및 Λ⁰ 재구성의 포함으로 배경 비율을 동일하게 유지할 때 신호 효율이 15–20% 향상되어 s-제트 태깅 성능이 향상되었다.
• K±/π± 분리는 특히 고운동량 영역에서 카이온이 지배하는 상황에서 s-쿼크 식별에 크게 기여하였다.
• √s = 91.2 GeV에서 통합 루미노사티가 60 nb⁻¹일 경우, 모든 비-Z → q̄q 배경이 효과적으로 제거된다고 가정할 때 DeepJetTransformer는 Z → s̄s의 5σ 발견을 가능하게 하였다.
• 복잡한 제트 환경에서도 b-와 c-제트를 구분하는 데 뛰어난 성능을 보였으며, 둘 다 AUC 값이 0.98를 초월하였다.
• DeepJetTransformer의 훈련 시간은 최신 기술의 그래프 신경망보다 상당히 빠르며, 검출기 R&D에서의 빠른 프로토타이핑에 이상적이다.