[논문 리뷰] Jet tagging in the Lund plane with graph networks

Frédéric A. Dreyer, H. Qu|arXiv (Cornell University)|2020. 12. 15.

Particle physics theoretical and experimental studies참고 문헌 60인용 수 4

한 줄 요약

이 논문은 룬드 평면의 군집화 역사로 제트를 표현하는 그래프 신경망 기반의 제트 태깅 방법인 LundNet을 소개한다. 이는 쌍별 방출에서 유도된 운동량 특징을 사용하여 토프 및 W 보손 태깅 성능을 향상시킨다. 이는 특히 토프 태깅에서 최신 기술 수준의 성능을 달성하며, 학습 시간을 10배 감소시키고, 룬드 평면에서의 운동량 특징 컷을 통해 비진동적 효과에 대한 강건성을 향상시킨다.

ABSTRACT

The identification of boosted heavy particles such as top quarks or vector bosons is one of the key problems arising in experimental studies at the Large Hadron Collider. In this article, we introduce LundNet, a novel jet tagging method which relies on graph neural networks and an efficient description of the radiation patterns within a jet to optimally disentangle signatures of boosted objects from background events. We apply this framework to a number of different benchmarks, showing significantly improved performance for top tagging compared to existing state-of-the-art algorithms. We study the robustness of the LundNet taggers to non-perturbative and detector effects, and show how kinematic cuts in the Lund plane can mitigate overfitting of the neural network to model-dependent contributions. Finally, we consider the computational complexity of this method and its scaling as a function of kinematic Lund plane cuts, showing an order of magnitude improvement in speed over previous graph-based taggers.

연구 동기 및 목표

• LHC에서 블루스트된 무거운 입자, 예를 들어 토프 쿼크와 W 보손을 식별하기 위한 강건하고 고성능의 제트 태깅 방법을 개발하기 위해.
• 학습 데이터에서 모델에 의존적인 몬테카를로 효과에 대한 의존도를 줄임으로써 딥러닝 기반 태거의 과적합 문제를 해결하기 위해.
• 룬드 평면에서 제트 군집의 계층적 구조를 활용하여 더 빠른 학습과 추론을 위한 계산 효율성을 향상시키기 위해.
• 비진동적 기여를 억제하기 위해 룬드 평면에서 운동량 특징 컷을 통합함으로써 실제 실험 데이터로의 일반화 능력을 향상시키기 위해.
• 최소한의 운동량 입력을 가진 그래프 신경망을 사용하여 확장 가능하고 해석 가능한 제트 서브스트럭처 분석 프레임워크를 제공하기 위해.

제안 방법

• 각 제트를 그래프로 표현하며, 노드는 CA 군집 트리에서 유도된 룬드 분리(declusterings)에 대응하고, 운동량 특징(Δ 및 kt)을 노드 특징으로 사용한다.
• 그래프 컬러리션 네트워크(GCNs)를 사용하여 계층적 제트 군집 구조를 통해 정보를 집계함으로써 효과적인 서브스트럭처 학습을 가능하게 한다.
• 룬드 평면에서 kt 컷을 적용하여 낮은 kt의 방출을 제거함으로써 그래프 크기를 줄이고 비진동적 효과 및 검출기 스메어링에 대한 강건성을 향상시킨다.
• 두 가지 변종을 학습: LundNet-3(3차원 입력: Δ, kt, 제트 질량)와 LundNet-5(5차원 입력: z 및 θ 변수 추가), 성능 대 복잡도 비교를 가능하게 한다.
• 룬드 분해의 트리 구조를 효율적으로 활용하는 메시지 전달 아키텍처를 사용하여 노드 간 정보 전파를 최적화한다.
• 근접 이웃 검색을 피하고 노드당 간선 수를 제한함으로써 계산 비용을 줄여 이전의 그래프 기반 태거들에 비해 약 10배 빠른 학습 및 추론을 달성한다.

실험 결과

연구 질문

• RQ1 제트의 룬드 평면 표현에 그래프 신경망을 적용할 경우, 기존 최신 기술 수준의 방법들보다 토프 및 W 보손 태깅 성능에서 뛰어난 성능을 달성할 수 있는가?
• RQ2 룬드 평면에서의 운동량 특징 컷이 그래프 기반 제트 태거의 비진동적 효과 및 검출기 효과에 대한 강건성에 어떤 영향을 미치는가?
• RQ3 간단한 운동량 입력(예: LundNet-3)을 사용할 경우, 몬테카를로 학습 데이터에서의 모델에 의존적인 특징에 민감도를 낮추면서도 높은 성능을 유지할 수 있는가?
• RQ4 학습 및 추론 시간의 스케일링 행동은 룬드 분리 수에 따라 어떻게 변화하는가? 그리고 운동량 필터링을 통해 최적화할 수 있는가?
• RQ5 기존의 그래프 기반 태거들보다 성능을 손상시키지 않고 상당히 더 빠른 그래프 기반 프레임워크를 만들 수 있는가?

주요 결과

• LundNet-5는 pt > 500 GeV에서 토프 태깅에 AUC 0.987을 달성하여 ParticleNet(AUC 0.983)을 능가하며, 높은 신호 효율에서 배경 제거 능력을 크게 향상시켰다.
• εS = 0.5일 때, LundNet-5는 토프 태깅에서 배경 제거 능력 609.8을 기록했으며, LundNet-3는 500.0, ParticleNet은 480.8을 기록했다.
• pt > 2 TeV에서 W 태깅을 수행할 경우, LundNet-5는 εS = 0.5에서 배경 제거 능력 12,500을 달성했으며, ParticleNet의 8,333.3을 능가했다.
• 각 제트의 추론 시간은 룬드 분리 수에 따라 선형적으로 증가하며, kt 컷을 적용함으로써 최대 10배 감소한다. 현재 구현에서는 제트당 평균 4.3 ms의 사전 처리 비용이 소요된다.
• LundNet-3는 3차원 입력으로도 ParticleNet(AUC 0.904)와 유사한 성능을 달성하여 최소한의 운동량 입력으로도 높은 효율성을 확보했다.
• 룬드 평면에서 kt 컷을 적용함으로써 비진동적 효과에 대한 과적합이 감소하고 일반화 능력이 향상되었으며, 운동량 필터링이 성능을 희생시키지 않으면서도 강건성을 향상시킨다는 점이 확인되었다.