[논문 리뷰] Quark jet versus gluon jet: deep neural networks with high-level features

Hui Luo, Guohuai Zhu외 3명|arXiv (Cornell University)|2017. 12. 10.

Particle physics theoretical and experimental studies인용 수 7

한 줄 요약

이 논문은 퀀트- 및 글루온-시작하는 제트를 구분하기 위해 전문화된 전기적 관측량을 사용하는 완전히 연결된 신경망(FNNs)을 제안하며, 특히 고에너지 제트에서의 성능이 컨volutional 신경망(CNNs)과 유사하거나 이를 초월한다. 연구 결과, 단지 14개의 핵심 관측량이 거의 모든 관련 분류 정보를 포괄함을 확인하였다.

ABSTRACT

Jet identification is one of the fields in high energy physics that deep learning has begun to make some impact. More often than not, convolutional neural networks are used to classify jet images with the benefit that essentially no physics input is required. Inspired by a recent paper by Datta and Larkoski, we study the separation of quark/gluon-initiated jets based on fully-connected neural networks (FNNs), where expert-designed physical variables are taken as input. FNNs are applied in two ways: trained separately on various narrow jet transverse momentum $p_{TJ}$ bins; trained on a wide region of $p_{TJ} \in [200,~1000]$ GeV. We find their performance are almost the same, and the larger $p_{TJ}$ the better. Comparing with results from deep convolutional neural networks, our results are comparable for low $p_{TJ}$, and even slightly better than those for high $p_{TJ}$. We also test the performance of FNNs with full set or different subsets of jet observables as input features. The FNN with one subset, consisting of fourteen observables, shows nearly no degradation of performance. This indicates that these fourteen expert-designed observables may have captured most of the information useful for the separation of quark/gluon jets.

연구 동기 및 목표

• 완전히 연결된 신경망(FNNs)이 물리학적으로 유용한 특징을 사용하여 퀀트- 및 글루온-시작하는 제트를 효과적으로 분류할 수 있는지 조사하는 것.
• 좁은 pT 범위(예: 200–300 GeV, 300–400 GeV 등)에서 훈련한 FNNs와 넓은 pT 범위(200–1000 GeV)에서 훈련한 FNNs의 성능을 평가하는 것.
• 14개의 전문가가 설계한 관측량으로 이루어진 축소된 집합이 퀀트/글루온 제트 분류에 필요한 대부분의 분류 능력을 유지하는지 확인하는 것.
• 물리학에 기반한 특징을 사용하는 FNNs의 성능을, 사전 물리학 지식 없이 제트 이미지를 처리하는 컨volutional 신경망(CNNs)과 비교하는 것.

제안 방법

• FNNs는 원시 제트 이미지 대신 전문가가 설계한 물리적 변수인 제트 질량, N-서브제트니스, 에너지 상관 함수 등 제트 관측량을 기반으로 훈련된다.
• 모델은 좁은 pT 범위(예: 200–300 GeV, 300–400 GeV 등)에서 개별적으로 훈련되고, 동시에 200–1000 GeV의 넓은 pT 범위에서 통합적으로 훈련된다.
• 분류 정확도 및 분류 성능 지표(예: AUC 또는 유사 지표)를 사용하여 퀀트 대 글루온 제트의 분류 성능을 평가한다.
• 특징 중요도 평가를 위해 관측량의 부분 집합(예: 14개 관측량 포함)으로 FNNs를 훈련하는 탈락 분석(Ablation study)을 실시한다.
• 물리학 사전 지식이 없는 제트 이미지를 처리하는 기준 CNNs와의 결과를 비교한다.
• 고차원 물리적 특징이 모델 복잡성을 줄이면서도 성능을 유지하는 데 기여한다는 점을 강조한다.

실험 결과

연구 질문

• RQ1 전문가가 설계한 제트 관측량을 기반으로 훈련된 완전히 연결된 신경망(FNNs)이 컨볼루션 신경망(CNNs)과 경쟁 가능한 퀀트/글루온 제트 분류 성능을 달성할 수 있는가?
• RQ2 200–1000 GeV의 넓은 pT 범위에서 FNNs를 훈련하면 좁은 pT 범위에서 훈련한 경우와 유사하거나 더 좋은 성능을 내는가?
• RQ3 14개의 핵심 관측량 중 몇 개가 높은 분류 성능을 유지하는 데 필수적인가?
• RQ4 고에너지 제트 영역에서 FNNs가 CNNs보다 성능상 이점이 있는가?
• RQ5 물리학에 기반한 특징이 퀀트/글루온 구분에 필요한 대부분의 정보를 포괄하는가?

주요 결과

• 200–1000 GeV의 전체 pT 범위에서 훈련된 FNNs는 좁은 pT 범위에서 훈련된 모델과 거의 동일한 성능을 달성한다.
• FNNs의 성능은 제트의 횡방향 운동량(pT)이 증가함에 따라 향상되며, 고에너지 pT 영역에서 더 우수한 분류 성능를 보인다.
• 단지 14개의 전문가가 설계한 관측량만을 사용하는 FNNs도 전체 관측량 집합을 사용한 모델와 거의 동일한 성능를 유지한다.
• 고에너지 pT 제트에서는 FNNs가 원시 제트 이미지를 사용하는 컨볼루션 신경망(CNNs)을 능가하거나 동등한 성능를 보인다.
• 14개의 관측량으로 이루어진 부분 집합이 퀀트/글루온 제트 분류에 필요한 대부분의 분류 정보를 포괄한다.
• 결과적으로 고차원 물리적 특징이 매우 효과적이며, 제트 분류에서 복잡한 딥 러닝 아키텍처의 필요성을 줄일 수 있음을 시사한다.