[논문 리뷰] Reconstruction of decays to merged photons using end-to-end deep learning with domain continuation in the CMS detector

Tumasyan, A., Adam, W.외 2339명|arXiv (Cornell University)|2022. 01. 01.

Particle physics theoretical and experimental studies인용 수 9

한 줄 요약

이 논문은 도메인 연속성을 사용하여 CMS 검출기에서 기록된 도메인적으로 융합된 광자들에 대한 진동 질량 재구성 가능성을 보장함으로써, 고도로 러프트된 이광자 붕괴를 위한 종단 간 딥러닝 접근법을 제시한다. 기존의 전통적인 입자 흐름 방법으로는 이전에 불가능했던, 도구적 융합된 광자들의 진동 질량 재구성에 성공한다. 이 방법은 벤치마크 알고리즘보다 뛰어난 감도를 확보하며, π⁰ → γγ 붕괴를 활용한 실제 LHC 데이터를 통해 검증되었다.

ABSTRACT

A novel technique based on machine learning is introduced to reconstruct the decays of highly Lorentz-boosted particles. Using an end-to-end deep learning strategy, the technique bypasses existing rule-based particle reconstruction methods typically used in high energy physics analyses. It uses minimally processed detector data as input and directly outputs particle properties of interest. The new technique is demonstrated for the reconstruction of the invariant mass of particles decaying in the CMS detector. The decay of a hypothetical scalar particle $\mathcal{A}$ into two photons, $\mathcal{A} o\gamma\gamma$, is chosen as a benchmark decay. Lorentz boosts $\gamma_\mathrm{L}$ = 60-600 are considered, ranging from regimes where both photons are resolved to those where the photons are closely merged as one object. A training method using domain continuation is introduced, enabling the invariant mass reconstruction of unresolved photon pairs in a novel way. The new technique is validated using $\pi^0 o$gg decays in LHC collision data.

연구 동기 및 목표

• 감도 한계로 인해 붕괴 제품이 융합되는 고속 러프트된 입자 붕괴 재구성 문제를 해결하기 위해.
• 도구적 융합 상황에서 실패하는 전통적인 입자 흐름 알고리즘의 한계를 극복하기 위해.
• 최소한의 처리된 검출기 데이터에서 직접 입자 성질(예: 진동 질량)을 예측하는 기계학습 기반 재구성 방법을 개발하기 위해.
• 기본적으로 알려진 π⁰ → γγ 붕괴를 활용하여 실제 LHC 데이터에서 방법을 검증하기 위해.
• 한 개의 캘로리메터 셀 내에서 완전히 융합된 광자들에서 진동 질량 재구성을 가능하게 하는지 검토하기 위해.

제안 방법

• 최소한의 처리된 검출기 데이터(예: ECAL 에너지 기록)에서 직접 훈련된 종단 간 딥러닝 모델을 사용하여 중간 규칙 기반 재구성 없이 처리한다.
• 원시 검출기 입력에서 A → γγ 붕괴의 진동 질량을 예측하기 위해 단일 딥 네트워크 회귀기 모델을 사용한다.
• 도메인 연속성 도입: 검출기 해상도 이하의 비물리적 질량을 포함한 훈련 도메인을 확장하여, 융합된 샤워에서의 미세한 에너지 분포 차이를 학습할 수 있도록 한다.
• 검증을 위해 저에너지 π⁰ → γγ 붕괴를 해결하기 위한 3×3 클러스터링 알고리즘을 기준으로 사용한다.
• 0.1–1.0 GeV 범위의 질량과 γL = 60–600의 러프트를 가진 시뮬레이션된 A → γγ 붕괴 데이터로 모델을 훈련한다.
• 실제 2017년 LHC 충돌 데이터를 사용하여 표준 입자 흐름 및 3×3 클러스터링 방법과 비교하여 성능을 검증한다.

실험 결과

연구 질문

• RQ1 CMS ECAL에서 도구적 융합이 발생하는 경우, 종단 간 딥러닝이 A → γγ 붕괴의 진동 질량을 재구성할 수 있는가?
• RQ2 도메인 연속성은 검출기 해상도 이하의 질량을 학습하는 데 어떻게 기여하는가?
• RQ3 융합된 광자 상황에서 제안된 방법이 기존의 입자 흐름 및 클러스터링 알고리즘보다 감도에서 얼마나 향상되는가?
• RQ4 기본적으로 알려진 π⁰ → γγ 붕괴를 활용하여 실제 LHC 데이터에서 방법을 검증할 수 있는가?
• RQ5 고도로 러프트되고 융합된 상황에서 재구성 효율성과 해상도를 얼마나 잘 유지하는가?

주요 결과

• 제안된 종단 간 딥러닝 모델은 γL = 60–600의 넓은 러프트 범위에서 A → γγ 붕괴의 진동 질량을 성공적으로 재구성하였으며, 광자가 단일 캘로리메터 셀 내에서 완전히 융합된 경우에도 해당된다.
• 도메인 연속성 덕분에 융합된 광자 샤워의 에너지 분포 패턴의 미세한 차이를 학습할 수 있었고, 이는 검출기 해상도 이하의 질량 재구성을 가능하게 하였다.
• 표준 입자 흐름 및 3×3 클러스터링 알고리즘 대비 상당한 감도 향상을 달성하였으며, 특히 해상도가 떨어지고 광자가 융합된 상황에서 두드러진다.
• 실제 2017년 LHC 데이터를 사용한 검증을 통해 방법의 강건성과 정확성이 확인되었으며, 재구성된 질량 해상도는 기존 기법과 동등하거나 이를 초월하였다.
• 이 방법은 딥러닝 프레임워크를 사용하여 고에너지 물리 실험에서 도구적 융합된 이광자에 대한 진동 질량 재구성을 처음 성공적으로 수행하였다.
• 이 접근법은 저질량, 고도로 러프트된 입자에 붕괴하는 이국적 공명 상태를 탐색하는 데 새로운 길을 열어준다.