[논문 리뷰] Search for new phenomena in two-body invariant mass distributions using unsupervised machine learning for anomaly detection at $\sqrt{s} = 13$ TeV with the ATLAS detector

ATLAS Collaboration|arXiv (Cornell University)|2023. 07. 04.

Particle physics theoretical and experimental studiesPhysics and Astronomy인용 수 3

한 줄 요약

이 연구는 ATLAS 검출기에서 13 TeV에서의 두 입자 질량 분포에서의 비정상성을 탐지하기 위해 비모델 기반의 기계학습 기반 비지도 학습 기법을 사용하여 새로운 물리학을 위한 탐색을 제시한다. 표준모형 사건에 대해 오토에코더를 훈련시켜 운동량 특성의 이심을 식별하였으며, 140 fb⁻¹의 데이터에서 뚜렷한 비정상성이 관측되지 않아, 여러 벤치마크 뒷물리 모델에 대한 새로운 물리학의 제한을 설정하였다.

ABSTRACT

Searches for new resonances are performed using an unsupervised anomaly-detection technique. Events with at least one electron or muon are selected from 140 fb$^{-1}$ of $pp$ collisions at $\sqrt{s} = 13$ TeV recorded by ATLAS at the Large Hadron Collider. The approach involves training an autoencoder on data, and subsequently defining anomalous regions based on the reconstruction loss of the decoder. Studies focus on nine invariant mass spectra that contain pairs of objects consisting of one light jet or $b$-jet and either one lepton ($e$, $μ$), photon, or second light jet or $b$-jet in the anomalous regions. No significant deviations from the background hypotheses are observed.

연구 동기 및 목표

• 비모델 기반의 기계학습 기반 기법을 사용하여 표준모형을 초월한 새로운 물리학을 위한 탐색 전략을 개발하기.
• 신호 위상에 대한 사전 가정 없이 두 입자 질량 분포에서의 비정상성을 탐지하기.
• 오토에코더 기반 복원 손실을 활용하여 표준모형 기대치에서 벗어나는 사건을 식별하기.
• 2 테바르트 질량 근처의 공명을 포함한 다양한 벤치마크 뒷물리 모델에 대해 이 방법의 민감도 평가하기.
• 13 TeV 프로톤-프로톤 충돌 데이터 140 fb⁻¹를 사용하여 새로운 물리학 과정에 대한 배제 한계 설정하기.

제안 방법

• 표준모형 배경 사건이 풍부한 140 fb⁻¹의 ATLAS 데이터에 대해 오토에코더(AE)를 훈련시킴.
• AE는 입력 사건을 재구성하고, 복원 손실을 비정상성 점수로 사용하여 이질적인 사건을 식별함.
• 비정상 영역(ARs)은 질량 분포와 무관하게 높은 복원 손실 기반으로 정의됨.
• 아홉 가지 두 입자 최종 상태를 분석함: 제트 + 레프톤, 레프톤, 또는 두 번째 제트(경량 또는 b-제트), 주로 또는 보조적으로 선택된 입자.
• 고립된 전자 또는 뮤온을 트리거하여 1 TeV 이하의 저질량 공명에 접근함으로써 트리거 임계값 효과를 피함.
• 감도 평가 및 비정상 영역 정의를 위해 벤치마크 뒷물리 모델(예: 양성자 히긴스, W'K, Z', 다크 매터 모델 등)을 시뮬레이션함.

Figure 1: Distributions of the anomaly score from the AE for data and five benchmark BSM models. Their legends, from top to bottom, are: (1) charged Higgs boson production in association with a top quark, $tbH^{+}$ with $H^{+}\to t\bar{b}$ ; (2) a Kaluza–Klein gauge boson, $W_{\text{KK}}$ , with the

실험 결과

연구 질문

• RQ1 비지도 기계학습이 특정 신호 모델을 가정하지 않고 두 입자 질량 스펙트럼에서 새로운 물리 신호를 탐지할 수 있는가?
• RQ2 오토에코더 기반 비정상성 탐지 방법은 다변량 사건 위상에서 표준모형 배경에서의 이심을 식별하는 데 얼마나 효과적인가?
• RQ3 2 테바르트 질량 근처의 공명을 포함한 다양한 벤치마크 뒷물리 모델에 대해 이 방법의 민감도 한계는 무엇인가?
• RQ4 레프톤 트리거는 제트 트리거 탐색에 비해 저질량 공명 탐색을 어떻게 향상시키는가?
• RQ5 다양한 최종 상태와 벤치마크 모델에서 비정상성 점수 분포에서 관측된 편차의 유의미성은 무엇인가?

주요 결과

• 분석한 아홉 가지 두 입자 최종 상태 전반에서 표준모형 배경 가설과 뚜렷한 편차가 관측되지 않았다.
• 다섯 가지 벤치마크 뒷물리 모델(H⁺, W'K, Z', W', Z' 다크 매터 등)의 비정상성 점수 분포는 배경 기대치와 일치하였으며, 비정상 영역에서 초과가 없었다.
• 비정상 영역에서의 관측된 가시성 횡단면 제한은 모델과 최종 상태에 따라 0.05에서 0.5 fb 범위였다.
• 이 방법은 표준모형 기대치에서 벗어나는 운동량 특성을 성공적으로 식별하였으며, 복원 손실이 강력한 비정상성 지표로 기능함.
• 이 탐색은 레프톤, 하드론, 이광자 채널을 포함한 다양한 최종 상태에서 약 2 테바르트 질량 근처의 공명에 민감도를 확보함.
• 유의미한 신호가 관측되지 않아, 특히 b-제트, 광자, 레프톤를 포함한 최종 상태로 붕괴하는 공명에 대해 새로운 물리 모델에 대한 새로운 배제 한계를 설정함.

Figure 2: Invariant mass distributions of jet ​+ ​ $Y$ for $m_{jY}>$0.3\text{\,}\mathrm{TeV}$$ in the $10\text{\,}\mathrm{pb}$ AR along with the fit of Eq. 1 . The fits are represented by the lines, while the associated statistical uncertainties are indicated by the shaded bands. The lower panels sh