[논문 리뷰] Secondary Vertex Reconstruction with MaskFormers

Samuel van Stroud, Nikita Ivvan Pond외 5명|arXiv (Cornell University)|2023. 12. 19.

Generative Adversarial Networks and Image Synthesis인용 수 1

한 줄 요약

이 논문은 마스크포스터(MaskFormer)라는 트랜스포머 기반의 인스턴스 세그멘테이션 모델을 사용하여 고에너지 물리학에서 2차 정점 재구성에 대한 혁신적이고 종단 간(end-to-end) 기계학습 접근법을 제안한다. 순서가 지정되지 않은 트랙에서 직접 다수의 정점을 적합된 성질과 함께 예측함으로써, 이 방법은 최신 기술 대비 정점 탐지 효율을 10% 향상시키며, 맛 태깅 파이프라인에 통합되었을 때 70%의 b-제트 효율에서 경제제트(rejecting light-jets) 성능이 50% 향상되고 c-제트(rejecting c-jets) 성능이 15% 향상된다.

ABSTRACT

In high-energy particle collisions, the reconstruction of secondary vertices from heavy-flavour hadron decays is crucial for identifying and studying jets initiated by $b$- or $c$-quarks. Traditional methods, while effective, require extensive manual optimisation and struggle to perform consistently across wide regions of phase space. Meanwhile, recent advancements in machine learning have improved performance but are unable to fully reconstruct multiple vertices. In this work we propose a novel approach to secondary vertex reconstruction based on recent advancements in object detection and computer vision. Our method directly predicts the presence and properties of an arbitrary number of vertices in a single model. This approach overcomes the limitations of existing techniques. Applied to simulated proton-proton collision events, our approach demonstrates significant improvements in vertex finding efficiency, achieving a 10% improvement over an existing state-of-the-art method. Moreover, it enables vertex fitting, providing accurate estimates of key vertex properties such as transverse momentum, radial flight distance, and angular displacement from the jet axis. When integrated into a flavour tagging pipeline, our method yields a 50% improvement in light-jet rejection and a 15% improvement in $c$-jet rejection at a $b$-jet selection efficiency of 70%. These results demonstrate the potential of adapting advanced object detection techniques for particle physics, and pave the way for more powerful and flexible reconstruction tools in high-energy physics experiments.

연구 동기 및 목표

• 기존의 수작업 튜닝이 필요하고 다수의 정점을 완전히 적합하지 못하는 전통적 및 기존의 기계학습 기반 정점 재구성 방법의 한계를 해결하기 위해.
• 단일 딥러닝 모델을 사용하여 다수의 2차 정점을 종단 간(end-to-end), 확장 가능하고 일관되게 재구성할 수 있도록 하기 위해.
• 정점의 적합된 성질(예: 횡방향 운동량, 반경 방향 이동 거리, 각도 이격)을 포함한 완전한 정점 재구성을 통해 맛 태깅 성능을 향상시키기 위해.
• 컴퓨터 비전에서 유래한 고급 객체 검출 아키텍처가 복잡한 입자물리학 재구성 작업에 적용 가능한지의 타당성을 입증하기 위해.

제안 방법

• 이 방법은 입자물리학 트랙 재구성에 적응된 트랜스포머 기반의 인스턴스 세그멘테이션 모델인 마스크포스터를 사용한다.
• 입력은 시뮬레이션된 프로톤-프로톤 충돌에서 유도된 순서가 지정되지 않은 충전 입자 트랙 집합으로 구성된다.
• 모델은 임의의 수의 정점을 예측하며, 각 정점은 클래스 레이블, 적합된 성질(pT, Lxy, dR), 그리고 트랙 할당을 포함한다.
• 정점 적합은 예측된 정점 마스크와 관련된 트랙에서 힘을 주는 회귀 헤드를 통해 종단 간(end-to-end)으로 수행된다.
• 모델은 지도 학습 방식으로 지도된 진짜 정점 레이블과 성질을 갖춘 시뮬레이션된 이벤트에서 종단 간(end-to-end)으로 훈련된다.
• 모델은 최신 기술 알고리즘의 정점 재구성 단계를 대체하기 위해 맛 태깅 파이프라인에 통합된다.

실험 결과

연구 질문

• RQ1 인스턴스 세그멘테이션 기반의 딥러닝 모델이 높은 효율성과 정확도로 제트 내에서 다수의 2차 정점을 효과적으로 재구성할 수 있는가?
• RQ2 마스크포스터를 사용한 종단 간 정점 탐지 및 적합이 기존의 전통적 또는 기계학습 기반 정점 재구성 방법에 비해 효율성과 가짜 비율에서 어떻게 비교되는가?
• RQ3 적합된 성질을 포함한 완전한 정점 재구성은 어떤 정도 후속 맛 태깅 성능을 향상시키는가?
• RQ4 수작업 최적화 없이 다양한 단계 공간 영역에서 일반화 가능한가?
• RQ5 정점 성질 회귀를 포함함으로써 단순한 정점 탐지 이상으로 제트 맛 분류 성능을 어떻게 향상시키는가?

주요 결과

• 제안된 방법은 최신 기술 기준 대비 정점 탐지 효율에서 10% 향상된 성능을 달성한다.
• 모델은 정확한 정점 적합을 수행하며, 재구성된 모든 하드론에서 pT, Lxy, dR에 대한 평균 정규화 잔차가 ±1σ 이내에 유지된다.
• 맛 태깅 파이프라인에 통합되었을 때, b-제트 선택 효율이 70%일 때 경제제트 성능이 50% 향상되고 c-제트 성능이 15% 향상된다.
• 성능 향상은 정점 구조에서 더 풍부하고 일관된 정보를 추출할 수 있는 모델의 능력 덕분으로 기인된다.
• 모델은 다양한 단계 공간 영역에서 뛰어난 견고성을 보이며 수작업 파rameter 튜닝에 대한 의존도를 감소시킨다.
• 이 방법은 부스트 또는 대규모 반경 제트와 같은 복잡한 환경으로 쉽게 확장 가능하며, 트랙 및 공명 재구성 분야에 광범위하게 적용될 잠재력을 지닌다.