[논문 리뷰] Solving Combinatorial Problems at Particle Colliders Using Machine Learning

A. Badea, W. J. Fawcett외 4명|arXiv (Cornell University)|2022. 01. 06.

Particle physics theoretical and experimental studies참고 문헌 33인용 수 16

한 줄 요약

이 논문은 고다중성 입자 충돌 실험에서 조합적 배경 문제를 해결하기 위해 레이저 불변성 레이어를 사용하는 물리학 기반 기계학습 모델인 cannonball을 제안한다. 고차원 운동량 상관관계를 학습함으로써, 특히 백색 대칭성 위반 슈퍼대칭 사례에서 복잡한 제트 다중성과 수백만 퍼센트가 넘는 조합적 배경이 존재하는 도전적인 상황에서, 관측된 붕괴 구조를 복원하는 데 있어 기존의 관측 질량 최소화 및 각도 최소화 방법을 뛰어넘는 성능을 보인다.

ABSTRACT

High-multiplicity signatures at particle colliders can arise in Standard Model processes and beyond. With such signatures, difficulties often arise from the large dimensionality of the kinematic space. For final states containing a single type of particle signature, this results in a combinatorial problem that hides underlying kinematic information. We explore using a neural network that includes a Lorentz Layer to extract high-dimensional correlations. We use the case of squark decays in $R$-Parity-violating Supersymmetry as a benchmark, comparing the performance to that of classical methods. With this approach, we demonstrate significant improvement over traditional methods.

연구 동기 및 목표

• 입자 충돌기에서 고다중성 최종 상태에서 발생하는 조합적 배경 문제에 도전하며, 가능한 조합의 수가 매우 많기 때문에 정확한 입자 쌍화가 어려운 상황을 다룬다.
• 관측 질량 최소화 및 각도 클러스터링과 같은 기존 방법이 실제 검출기 해상도와 높은 제트 다중성 조건에서 실패하는 한계를 극복한다.
• 물리학에 영감을 받은 기계학습 아키텍처가 기존 최적화 기법이 달성할 수 없는 복잡한 운동량 상관관계를 효과적으로 추출할 수 있음을 보여준다.
• 기존 방법이 조합 복잡도가 매우 높아서 부적절한 고에너지 물리학 분석에 적용할 수 없는 복잡한 실제 충돌 서명에 기계학습을 적용할 수 있는 기반을 마련한다.
• 물리적 대칭성을 유지하면서 새로운 시스템적 불확실성을 도입하지 않는 확장 가능한, 미분 가능한 프레임워크를 제공하여 고에너지 물리학 분석에서 신뢰성 있게 활용할 수 있도록 한다.

제안 방법

• 상대론적 불변성을 유지하고, 미분 가능한 방식으로 4모멘텀 변환을 모델링하기 위해 레이저 레이어를 통합한 고유의 신경망 아키텍처인 cannonball을 제안한다.
• N개의 4모멘텀을 처리하기 위해 완전히 연결된 피드포워드 네트워크에 레이저 레이어를 사용하여, 제트 집합에서 붕괴 입자의 정확한 쌍화를 예측하도록 학습한다.
• R-포지티비티 위반 슈퍼대칭의 몬테카를로 시뮬레이션으로 생성된 데이터를 사용하여, 정확한 붕괴 구조를 기반으로 한 지도 학습 손실 함수를 통해 모델을 종합적으로 훈련시킨다.
• 네트워크 예측이 레이저 변환에 대해 불변성을 유지하도록 레이저 레이어를 통합하여, 다양한 이벤트 기준에서 물리적 일관성을 유지한다.
• 신호 효율성과 배경 거부 능력을 평가 지표로 사용하여, 기존 방법(관측 질량 비대칭 최소화 및 각도 간격 합 최소화(ΔRΣ))와 성능을 비교한다.
• 점점 더 복잡한 조합 복잡도와 실제 검출기 효과(해상도 및 피로)를 포함한 (2×2), (2×4), (2×5) 제트 최종 상태와 같은 벤치마크 서명에 모델을 적용한다.

실험 결과

연구 질문

• RQ1 LHC에서 고다중성 제트 이벤트에서 붕괴 구조를 복원하는 데 있어, 기계학습 모델이 기존의 조합적 재구성 기법을 뛰어넘을 수 있는가?
• RQ2 전용 레이저 레이어를 통해 레이저 불변성을 통합함으로써, 운동량 이벤트 해석 작업에서 일반화 능력과 성능이 얼마나 향상되는가?
• RQ3 특히 조합 배경이 수백만 개 이상(예: >100만 개 조합)인 경우, 운동량 해상도 및 피로 등의 실제 검출기 효과가 모델 성능에 미치는 영향은 어떠한가?
• RQ4 미분 가능한 물리학 기반 아키텍처는 새로운 시스템적 불확실성을 도입하지 않고도, 복잡한 캐스케이드 붕괴(예: 글루아진 → 쿼크 + 중성미온 → 세 개의 쿼크)를 해석하는 데 사용될 수 있는가?
• RQ5 신호 매개변수가 사전에 알려지지 않은 새로운 물리학 탐색에 필요한 범위에서 다양한 공명 질량과 선형형태에 대해 모델이 안정성을 유지하는가?

주요 결과

• cannonball 모델은 (2×2) 제트 구조에서 모든 테스트된 공명 질량에서 기존 방법(관측 질량 비대칭 최소화 및 각도 간격 합 최소화)을 뛰어넘는 성능을 보이며, 더 높은 신호 효율성과 배경 거부 능력을 확보한다.
• (2×4) 및 (2×5) 제트 구조에서는 조합 배경이 각각 10,000% 이상, 126,000% 이상인 상황에서도 높은 성능을 유지하여, 기존 방법이 실패하는 상황에서의 강건성을 입증한다.
• 레이저 레이어의 통합은 다양한 이벤트 블루스트와 운동량 구성 조건에서 일반화 능력을 향상시키며, 물리적 불변성을 유지한다. 비-레이저 불변 기반 모델 대비 성능 향상이 뚜렷하다.
• 1테라볼트 공명 질량에서 (2×2) 케이스에서 모델은 실제 검출기 해상도 조건에서도 90% 이상의 신호 효율성을 달성하며, 최고의 기존 방법보다 20퍼센트 이상 높은 성능을 보인다.
• 모델의 성능는 다양한 공명 질량과 선형형태에 걸쳐 안정적으로 유지되어, 사전에 알려지지 않은 시그널 매개변수를 가진 넓은 스펙트럼의 새로운 물리학 탐색에 적합함을 시사한다.
• 새로운 시스템적 불확실성을 도입하지 않으며, 기존의 조합적 재구성 방법에 대한 직접 교체로 사용할 수 있어 표준 분석 파이프라인과의 호환성을 유지한다.