[논문 리뷰] MACRIB High efficiency - high purity hadron identification for DELPHI

Z. Albrecht, Michael Feindt외 2명|ArXiv.org|2001. 11. 26.

Particle physics theoretical and experimental studies인용 수 7

한 줄 요약

이 논문은 DELPHI 실험을 위한 신경망 기반 입자 식별 시스템인 MACRIB를 제시한다. 이 시스템은 RICH 검출기 데이터, TPC dE/dx 측정값, 그리고 비트랙 검출기 dE/dx 정보를 융합하여 케이온과 양성자 식별의 효율성과 정확도를 크게 향상시킨다. RIBMEAN과 HADSIGN의 출력을 추가로 통합하고, 다른 검출기 입력을 더해 MACRIB는 HADSIGN 대비 동일한 정확도 수준에서 최대 4배 높은 식별 효율을 달성했으며, RIBMEAN 대비 동일한 배경 수준에서 56% 높은 효율성을 확보했다.

ABSTRACT

Analysis of the data shows that hadron tags of the two standard DELPHI particle identification packages RIBMEAN and HADSIGN are weakly correlated. This led to the idea of constructing a neural network for both kaon and proton identification using as input the existing tags from RIBMEAN and HADSIGN, as well as preproccessed TPC and RICH detector measurements together with additional dE/dx information from the DELPHI vertex detector. It will be shown in this note that the net output is much more efficient at the same purity than the HADSIGN or RIBMEAN tags alone. We present an easy-to-use routine performing the necessary calculations.

연구 동기 및 목표

• DELPHI에서 기존의 RIBMEAN과 HADSIGN 입자 식별 알고리즘 간의 약한 상관관계와 일관성 없는 성능을 해결하기 위해.
• 특히 단일 검출기가 실패하는 동역학 영역에서 고다양성 및 고배경 환경에서 하드론 식별의 효율성과 정확도를 향상시키기 위해.
• 비트랙 검출기의 dE/dx 정보와 병합된 RICH 신호를 활용하여 개별 알고리즘으로는 불가능한 수준의 입자 분리 성능을 향상시키기 위해.
• 케이온과 양성자 식별을 위한 최적화된 신경망 점수를 출력하는 통합형, 사용이 용이한 소프트웨어 루틴(MACRIB)을 개발하기 위해.

제안 방법

• RIBMEAN 및 HADSIGN 태그, 전처리된 TPC 및 RICH 측정값, 비트랙 검출기의 dE/dx 데이터를 입력으로 사용하는 전방향 전파 신경망을 훈련시켰다.
• 세 개의 별도 네트워크를 훈련시었다: p > 0.7 GeV에서 전체 RICH 정보를 사용하는 네트워크, p > 0.7 GeV에서 가스 RICH 정보만 사용하는 네트워크, 그리고 p ≤ 0.7 GeV에서 TPC와 비트랙 검출기 dE/dx를 사용하는 네트워크.
• 몬테카를로 데이터를 사용해 훈련하였으며, 시뮬레이션 제약으로 인해 액체 레이더 정보 유무에 따라 별도의 훈련 세트를 구성했다.
• 최종 네트워크 출력은 -1에서 1 사이의 실수 값이며, 1에 가까운 값은 케이온 또는 양성자 식별에 높은 신뢰도를 의미하고, -1은 식별되지 않았음을 의미한다.
• 독립형 C++ 루틴인 MACRIB를 개발하여 물리 분석에 사용하기 위해 BSAURUS 소프트웨어 프레임워크에 통합했다.
• 루틴은 이벤트당 트랙 기반 입력을 받아 케이온과 양성자 식별을 위한 최적화된 네트워크 출력을 반환하도록 설계되었다.

실험 결과

연구 질문

• RQ1 신경망이 RIBMEAN과 HADSIGN과 같은 개별 알고리즘보다 우수한 성능을 내기 위해 다수의 입자 식별 입력을 효과적으로 융합할 수 있는가?
• RQ2 비트랙 검출기의 dE/dx 정보 통합이 저속도 및 고다양성 영역에서 입자 식별 성능을 어떻게 향상시키는가?
• RQ3 RIBMEAN과 HADSIGN의 서로 다른 링 탐지 및 배경 모델링 전략으로 인해 발생하는 비효율성과 일관성 문제는 신경망이 어느 정도 감소시킬 수 있는가?
• RQ4 다양한 붕괴 채널(예: Φ → K⁺K⁻ 및 Λ → pπ)에서 통합된 네트워크 접근법을 사용할 경우 얻을 수 있는 식별 효율성과 정확도 향상은 어느 정도인가?
• RQ5 액체 RICH 功能 유무에 따라 다른 검출기 구성이 있는 데이터 세트에서 신경망의 성능는 어떻게 변하는가?

주요 결과

• 동일한 배경 수준에서 MACRIB는 동일한 날카운트 케이온 태그를 사용할 때 RIBMEAN보다 약 56% 더 많은 Φ 메손을 식별했으며, 정확도는 약 60%에서 약 70%로 상승했다.
• 동일한 정확도 수준에서 MACRIB는 Φ 메손의 태깅 효율이 RIBMEAN의 약 두 배에 이를 수 있었다.
• Λ → pπ 붕괴 채널에서 MACRIB는 HADSIGN 대비 동일한 정확도에서 태깅 효율이 약 4배 높아져 성능 향상이 뚜렷했다.
• Dₛ → K* K 붕괴에서, MACRIB는 1994–1995년 데이터에서 RIBMEAN 대비 33% 높은 효율을 기록했고, 1992–1993년 데이터에선 100%의 효율 향상을 보였다. 동일한 정확도 수준에서.
• 신경망 출력은 강인하고 잘 校정되어 있었으며, 훈련 데이터의 이상적인 조건으로 인해 몬테카를로 시뮬레이션에서 잉여가 거의 없었다.
• MACRIB 소프트웨어 루틴은 BSAURUS 프레임워크에 성공적으로 통합되었으며, DELPHI 실험 전반에서 케이온과 양성자 식별을 위한 표준화되고 고성능의 방법을 제공했다.