[논문 리뷰] Strange Jet Tagging

Yuichiro Nakai, David Shih외 1명|arXiv (Cornell University)|2020. 03. 20.

Particle physics theoretical and experimental studies참고 문헌 47인용 수 4

한 줄 요약

이 논문은 고에너지 충돌 실험에서 스트레인지 쿼크가 기인한 제트를 다운 쿼크 제트와 구별하기 위해 검출기 수준의 관측 가능성을 활용하는 새로운 제트 태깅 방법을 제안한다. 이 방법은 스트레인지 제트에서 중성 카이온 대 비오닉 에너지 비율이 높고, 장수한 카이온이 하드론 칼로미터에, 즉각적인 피오닉이 전자기 칼로미터에 다른 에너지 분포 패턴을 보인다는 점을 이용한다. 제트 이미지를 사용하는 컬러리션 신경망(CNN)은 낮은 태깅 효율성(약 0.02)에서 스트레인지 대 다운 제트의 구별 능력을 2.5배 향상시키며, 기존의 전통적 방법들을 능가한다.

ABSTRACT

Tagging jets of strongly interacting particles initiated by energetic strange quarks is one of the few largely unexplored Standard Model object classification problems remaining in high energy collider physics. In this paper we investigate the purest version of this classification problem in the form of distinguishing strange-quark jets from down-quark jets. Our strategy relies on the fact that a strange-quark jet contains on average a higher ratio of neutral kaon energy to neutral pion energy than does a down-quark jet. Long-lived neutral kaons deposit energy mainly in the hadronic calorimeter of a high energy detector, while neutral pions decay promptly to photons that deposit energy mainly in the electromagnetic calorimeter. In addition, short-lived neutral kaons that decay in flight to charged pion pairs can be identified as a secondary vertex in the inner tracking system. Using these handles we study different approaches to distinguishing strange-quark from down-quark jets, including single variable cut-based methods, a boosted decision tree (BDT) with a small number of simple variables, and a deep learning convolutional neural network (CNN) architecture with jet images. We show that modest gains are possible from the CNN compared with the BDT or a single variable. Starting from jet samples with only strange-quark and down-quark jets, the CNN algorithm can improve the strange to down ratio by a factor of roughly 2 for strange tagging efficiencies below 0.2, and by a factor of 2.5 for strange tagging efficiencies near 0.02.

연구 동기 및 목표

• 고에너지 충돌 실험에서 스트레인지 쿼크가 기인한 제트를 태깅하는 데 거의 다뤄지지 않은 문제를 해결하기 위해.
• 현재 일반 목적의 검출기인 CMS와 ATLAS와 같은 기존 장비에서 이용 가능한 관측 가능성만을 사용하여 스트레인지 쿼크 제트와 다운 쿼크 제트를 구별하는 방법을 개발하기 위해.
• 실제 제트 샘플을 사용하여 단일 변수 컷, 부스팅된 결정 트리(BDT), 딥 러닝(CNN) 등의 다양한 태깅 전략의 성능을 평가하기 위해.
• 스트레인지 쿼크 제트 태깅의 잠재력을 입증하여 토프 쿼크 붕괴 재구성 능력을 향상시키고, CKM 행렬 원소 비율을 직접 측정할 수 있도록 하기 위해.

제안 방법

• 스트레인지 쿼크 제트에서 다운 쿼크 제트보다 평균적으로 중성 카이온 에너지 비율이 높다는 점을 이용한다. 카이온은 장수하므로 하드론 칼로미터(HCAL)에 에너지를 분포시킨다.
• 다운 쿼크 제트에서 중성 피오닉(π⁰ → γγ)의 즉각적인 붕괴는 전자기 칼로미터(ECAL)에 에너지를 분포시켜, 전자기 에너지 비율에서 대비를 이룬다.
• 비행 중에 붕괴하는 단명한 중성 카이온(Kₛ → π⁺π⁻)은 내부 트래킹 시스템에서의 제2의 정점으로 식별되며, 추가적인 구별 기준이 된다.
• 칼로미터 및 트래킹 관측 가능성을 기반으로 한 전체 제트 변수의 소량에 대해 부스팅된 결정 트리(BDT)를 훈련시킨다.
• 검출기 하위 시스템 신호(예: ECAL, HCAL, 트래킹)로부터 구성된 제트 이미지에 대해 컬러리션 신경망(CNN)을 적용하여 공간 패턴 학습 능력을 향상시킨다.
• 모든 방법의 성능은 스트레인지-다운 제트만 포함된 시뮬레이션된 이벤트를 사용하여 평가되며, 다양한 태깅 효율성에서 스트레인지 대 다운 제트 비율에 초점을 맞춘다.

실험 결과

연구 질문

• RQ1 칼로미터 에너지 분포와 제2 정점 재구성과 같은 검출기 수준의 관측 가능성이 스트레인지 쿼크 제트와 다운 쿼크 제트를 효과적으로 구별하는 데 유용한가?
• RQ2 특히 CNN과 같은 머신러닝 기법이 기존의 컷 기반 또는 BDT 방법을 뛰어넘어 스트레인지 쿼크 제트의 구별 능력을 얼마나 향상시킬 수 있는가?
• RQ3 CNN을 사용할 경우 단순한 태깅 알고리즘 대비 스트레인지 대 다운 제트 비율에서 달성 가능한 향상 수준는 얼마인가?
• RQ4 바텀- 및 채르모 쿼크 태깅과 결합했을 때 스트레인지 쿼크 제트 태깅이 다중 제트 최종 상태에서의 하드론적 토프 쿼크 붕괴에서 조합적 혼동을 줄이는 데 기여하는가?
• RQ5 이러한 태깅 기법을 사용해 하드론적 W 붕괴에서 CKM 행렬 원소 비율 |V_cs / V_cd|를 직접 측정하는 것이 가능한가?

주요 결과

• 제트 이미지를 사용하는 컬러리션 신경망(CNN)은 태깅 효율성이 약 0.02일 때 기준 방법 대비 스트레인지 대 다운 제트 비율을 2.5배 향상시킨다.
• 태깅 효율성이 0.2 이하일 경우 CNN은 BDT 및 단일 변수 컷 대비 약 2배의 비율 향상을 보이며, 일관된 성능 향상을 입증한다.
• 주요 구별 기준은 카이온과 피오닉의 검출기 내 붕괴 패턴의 차이에 기인한 중성 하드론적 에너지 대 전자기 에너지 비율이다.
• 단명한 카이온으로부터의 제2 정점 재구성은 추가적인 도구를 제공하며, 칼로미터 정보와 조합할 경우 성능 향상에 기여한다.
• 이 연구는 딥 러닝 기법이 검출기 반응의 미세한 공간적 패턴을 추출하여 전통적인 통계적 접근 방식을 뛰어넘는 제트 품질 태깅 성능 향상에 기여할 수 있음을 보여준다.
• 결과는 스트레인지 쿼크 제트 태깅이 |V_cs / V_cd|의 직접 결정과 같은 새로운 정밀 측정을 가능하게 하고, 다중 제트 최종 상태에서의 토프 쿼크 붕괴 재구성 능력을 향상시킬 수 있음을 시사한다.