[論文レビュー] A $W^\pm$ polarization analyzer from Deep Neural Networks

Taegyun Kim, A. Martin|arXiv (Cornell University)|Feb 9, 2021

Particle physics theoretical and experimental studies参考文献 35被引用数 4

ひとこと要約

本論文では、ブースト状態のW± ブーストジェットのピクセル化された画像を用いて、ジェット構成要素の角度分布およびエネルギー分布を活用し、縦方向偏光分率fLを推定する畳み込みニューラルネットワーク（CNN）を提案する。ネットワークは個々のイベントをタグ付けできないが、SMおよびBSM状況（次元6のオペレーターを含む）において、fLを正確に抽出できることを示しており、高いロバスト性を示している。

ABSTRACT

In this paper, we train a Convolutional Neural Network to classify longitudinally and transversely polarized hadronic $W^\pm$ using the images of boosted $W^{\pm}$ jets as input. The images capture angular and energy information from the jet constituents that is faithful to properties of the original quark/anti-quark $W^{\pm}$ decay products without the need for invasive substructure cuts. We find that the difference between the polarizations is too subtle for the network to be used as an event-by-event tagger. However, given an ensemble of $W^{\pm}$ events with unknown polarization, the average network output from that ensemble can be used to extract the longitudinal fraction $f_L$. We test the network on Standard Model $pp o W^{\pm}Z$ events and on $pp o W^{\pm}Z$ in the presence of dimension-6 operators that perturb the polarization composition.

研究の動機と目的

• ハドロン的W± 衰えのブースト状態における機械学習ベースの偏光アナライザーを開発し、サブストラクチャーチェックに依存しないようにすること。
• 深層ニューラルネットワークが、縦方向と横方向のW± 偏光を特徴付ける微細な特徴を、ジェット画像から検出できるかどうかを調査すること。
• 個々のイベントの偏光が識別不能な状況においても、W± イベントのアンサンブルから縦方向偏光分率fLを抽出すること。
• 新しい物理効果（例：W± 偏光組成を変更する次元6のオペレーターを含む）の存在下でも、この手法のロバスト性をテストすること。

提案手法

• 本手法は、ジェット成分からの空間的およびエネルギー的情報を保持する、ブーストW± ジェットのピクセル化された画像を2次元畳み込みニューラルネットワーク（CNN）の入力として用いる。
• ネットワークは部分素粒子レベルのイベントで訓練される：W+jetsからの横方向偏光W± と、H→W+W− 衰えからの縦方向偏光W± が、主な偏光状態を模倣する。
• ネットワーク出力をイベントアンサンブル全体で平均化してfLを推定し、ブートストラップ法を用いて不確実性を計算する。
• 性能評価は、SMのpp→W±Z反応および次元6のオペレーター（OWおよびO3W）を含むBSM状況で実施され、これらはfLを変化させる。
• MaxOutおよびResNetアーキテクチャとの比較分析により、より複雑な構造がfL抽出に寄与するかを評価する。
• 本手法は明示的なサブストラクチャーバリエートを避けており、代わりにCNNが画像データから直接偏光に敏感なパターンを学習できることに依存する。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、ジェット画像データのみに基づいて、縦方向偏光と横方向偏光のW± ボゾンを区別できるか？
• RQ2 ブースト状態のW± ジェットにおける偏光差が、個々のイベントタグ付けに失敗するほど微細であるが、アンサンブルレベルでのfL抽出は可能か？
• RQ3 サブストラクチャーチェックなしで、ジェット画像のみを用いてSMのpp→W±Z過程においてfLを正確に回復できるか？
• RQ4 次元6のオペレーターがW± 偏光分率を変更するような新しい物理効果の存在下でも、この手法の性能は良好か？
• RQ5 ネットワークアーキテクチャ（CNN対MaxOut対ResNet）がfL推定の精度に顕著な影響を与えるか？

主な発見

• CNNは、W± イベントのアンサンブルから縦方向偏光分率fLを成功裏に抽出でき、異なるネットワークアーキテクチャ間で一貫した結果を得た。
• 低pTのSM pp→W±Zにおいて、CNNはfL = 0.259 ± 0.013を推定し、真値の0.265に近く一致した。
• 高pTにおいて、SMの場合はCNNがfL = 0.300 ± 0.033を推定し、真値の0.304と一致した。
• OW次元6オペレーターの存在下では、CNNはfL = 0.297 ± 0.010を回復し、真値の0.311に近く一致した。
• O3Wオペレーターの場合は、CNNはfL = 0.254 ± 0.011を推定し、真値の0.258と整合的であった。
• 性能はアーキテクチャにかかわらず飽和しており、MaxOutやResNetがCNNよりも顕著な向上をもたらさなかった。これは、CNNがfL抽出に十分であることを示している。