[논문 리뷰] Particle Convolution for High Energy Physics

C. O. Shimmin|arXiv (Cornell University)|2021. 07. 05.

Particle physics theoretical and experimental studies참고 문헌 29인용 수 16

한 줄 요약

이 논문은 에너지 흐름 네트워크와 딥 세트를 일반화하여 제트의 $η$-$\phi$ 평면에서 군 컨볼루션을 통합한 회전 등변성 신경망 레이어인 입자 컨볼루션 네트워크(PCN)를 소개한다. 회전형 PCN(rPCN)은 기존의 IRC-안정 방법보다 뛰어난 성능을 보이며, 정확도 면에서는 파티클넷과 같은 그래프 기반 모델과도 맞먹는다.

ABSTRACT

We introduce the Particle Convolution Network (PCN), a new type of equivariant neural network layer suitable for many tasks in jet physics. The particle convolution layer can be viewed as an extension of Deep Sets and Energy Flow network architectures, in which the permutation-invariant operator is promoted to a group convolution. While the PCN can be implemented for various kinds of symmetries, we consider the specific case of rotation about the jet axis the $η- ϕ$ plane. In two standard benchmark tasks, q/g tagging and top tagging, we show that the rotational PCN (rPCN) achieves performance comparable to graph networks such as ParticleNet. Moreover, we show that it is possible to implement an IRC-safe rPCN, which significantly outperforms existing IRC-safe tagging methods on both tasks. We speculate that by generalizing the PCN to include additional convolutional symmetries relevant to jet physics, it may outperform the current state-of-the-art set by graph networks, while offering a new degree of control over physically-motivated inductive biases.

연구 동기 및 목표

• 제트 구조의 회전 대칭성을 존중하는 신경망 아키텍처를 개발하여 고에너지 물리학에서의 물리적 불변성을 반영한다.
• 에너지플로우와 딥 세트와 같은 순열 불변 모델을 일반화하기 위해 $η$-$\phi$ 평면에서 군 컨볼루션을 도입한다.
• 물리적 일관성을 유지하면서도 제트 태깅 벤치마크에서 성능을 향상시키는 IRC-안정형 PCN의 변종을 만든다.
• 제트 물리학에서 중요한 다른 대칭성, 예를 들어 $p_{\mathrm{Tr}}$ 에서의 스케일링과 같은 대칭성으로 PCN을 확장할 잠재력을 탐색한다.
• 최소한의 전처리와 순열 등변성으로 인해 그래프 기반 모델인 파티클넷에 비해 더 물리적으로 해석 가능하고 효율적인 대안을 제공한다.

제안 방법

• PCN 레이어는 입자 위치를 2차원 각도 공간의 연속 좌표로 간주하여 $η$-$\phi$ 평면에서 군 컨볼루션을 수행한다.
• 회전에 대해 등변성인 컨볼루션 연산을 수행하기 위해 학습 가능한 필터 함수 $\Phi$ 를 사용한다.
• 아키텍처는 순열 등변성이며, 길이가 변하는 입자 집합과도 호환되어 엔드 투 엔드 학습이 가능하도록 설계되었다.
• IRC 안정성을 확보하기 위해 네트워크는 부드럽고 공선적인 복사에 민감하지 않도록 구성되어 물리적 일관성을 유지한다.
• 제트 이미지 모델을 연속 공간으로 일반화하고, 힐버트 공간 사영을 군 컨볼루션으로 대체함으로써 에너지플로우를 확장한다.
• rPCN는 $p_{\mathrm{Tr}}$-의존성 게이팅을 선택적으로 적용하여 입자 4벡터 수준에서 학습하며, 운동량에 따라 패턴을 학습할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 회전에 대해 등변성인 $η$-$\phi$ 평면에서의 군 컨볼루션 레이어는 순열 불변 모델에 비해 제트 태깅 성능을 향상시킬 수 있는가?
• RQ2 PCN의 IRC-안정형 변종은 기존의 IRC-안정 태깅 방법보다 쿼크/글루온 태깅 및 토프 태깅 작업에서 더 뛰어난 성능을 내는가?
• RQ3 rPCN의 성능은 파티클넷과 같은 최고 수준의 그래프 기반 모델과 비교해 IRC-안정 및 비-IRC-안정 환경 모두에서 어떻게 나타나는가?
• RQ4 PCN 프레임워크는 제트 에너지 범위를 넘어선 일반화를 향상시키기 위해 $p_{\mathrm{Tr}}$ 에서의 스케일링과 같은 추가 대칭성을 포함할 수 있는가?
• RQ5 rPCN는 운동량에 따라 바이닝하거나 입자 제거를 수행하는 등 물리적으로 의미 있는 표현을 어느 정도 학습하는가?

주요 결과

• 쿼크/글루온 태깅 작업에서 rPCN는 50% 신호 효율에서 AUC 0.8997과 배경 기각률 34.2 ± 0.4를 기록하여 비교된 모든 IRC-안정 모델보다 뛰어난 성능을 보였다.
• 톱 태깅 작업에서 rPCN는 50% 신호 효율에서 AUC 0.9845와 배경 기각률 364 ± 9를 기록하여 IRC-안정 방법 중 최고 성능을 달성했다.
• 추가로 $p_{\mathrm{Tr}}$-의존성 게이팅을 적용한 rPCN는 AUC 0.9081과 배경 기각률 38.6 ± 0.5를 기록하여 파티클넷의 성능에 가까워졌다.
• rPCN는 에너지플로우 네트워크(EFN)보다 유의미하게 뛰어나며, 쿼크/글루온 태깅 작업에서 배경 기각률을 28.6에서 32.5로 향상시켰다.
• 네트워크는 $p_{\mathrm{Tr}}$ 에 따라 입자를 암묵적으로 바이닝하며, 종종 저운동량 입자를 무시하는 경향을 보여, 추론 속도 향상을 위한 입력 프루닝 가능성을 시사한다.
• rPCN는 회전 등변성이 강력한 인덕티브 바이어스를 제공하며, LHC 실험의 기존 생산 파이프라인과도 호환되면서 성능 향상을 이룬다.