[論文レビュー] End-to-End Physics Event Classification with the CMS Open Data: Applying Image-based Deep Learning on Detector Data to Directly Classify Collision Events at the LHC

Michael Benjamin Andrews, M. Paulini+2 more|arXiv (Cornell University)|Jul 31, 2018

Particle Detector Development and Performance被引用数 9

ひとこと要約

本論文は、CMS Open Dataから得た低レベルのシミュレートされた検出器データを用いて、LHCにおける陽子-陽子衝突イベントを直接分類するエンド・ツー・エンドの画像ベースの深層学習手法を提案する。電磁シャワーの形状、角度分布、ヒットエネルギーを学習することで、粒子が完全に分解されない状況でも、従来の運動量ベースの分類器を上回り、ヒッグス粒子の2光子崩壊と主要なバックグラウンド過程を区別する。

ABSTRACT

This paper describes the construction of novel end-to-end image-based classifiers that directly leverage low-level simulated detector data to discriminate signal and background processes in proton–proton collision events at the Large Hadron Collider at CERN. To better understand what end-to-end classifiers are capable of learning from the data and to address a number of associated challenges, we distinguish the decay of the standard model Higgs boson into two photons from its leading background sources using high-fidelity simulated CMS Open Data. We demonstrate the ability of end-to-end classifiers to learn from the angular distribution of the photons recorded as electromagnetic showers, their intrinsic shapes, and the energy of their constituent hits, even when the underlying particles are not fully resolved, delivering a clear advantage in such cases over purely kinematics-based classifiers.

研究の動機と目的

• LHCにおけるイベント分類に直接的に低レベルの検出器データを用いるエンド・ツー・エンド分類器の開発を目的とする。
• 深層学習モデルが再構成された運動量変数に依存せずに、生の検出器データから意味のある物理的特徴を学習できるかどうかを調査すること。
• 電磁シャワー内の空間的およびエネルギー的パターンを活用することで、ヒッグス粒子の2光子崩壊における信号とバックグラウンドの区別を向上させること。
• 粒子の識別が完全に得られない状況における画像ベース分類器の性能を評価すること。

提案手法

• 本手法は、シミュレートされたCMS検出器データから、空間的およびエネルギー的情報を符号化した2次元画像表現を電磁シャワーの形に構築する。
• 畳み込みニューラルネットワーク（CNN）を、これらの検出器レベルの画像上でエンド・ツー・エンドに訓練し、衝突イベントを信号（H→γγ）またはバックグラウンドに分類する。
• 中間の再構成ステップを必要とせず、シャワーの固有の形状、光子の角度分布、エネルギー付加パターンから学習する。
• 高精度なシミュレートされたCMS Open Dataを用いることで、現実的な訓練および評価条件を保証する。
• AUCや信号の有意性といった標準的な指標を用いて分類器の性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 生の検出器データ上で訓練されたエンド・ツー・エンドの深層学習モデルは、粒子が完全に分解されない状況でも、ヒッグス粒子の2光子崩壊と主要なバックグラウンド過程を効果的に区別できるか？
• RQ2 粒子の識別が完全に得られない状況で、シャワーヒットの空間的およびエネルギー的分布から、これらのモデルがどのような物理的特徴を学習するか？
• RQ3 検出器レベルのデータを用いた画像ベース分類器と従来の運動量ベース分類器との間で、性能にどのような差があるか？
• RQ4 再構成が曖昧な複雑なイベントトポロジーにおいて、モデルの一般化能力はどの程度まで達成できるか？

主な発見

• エンド・ツー・エンドの画像ベース分類器は、検出器内での電磁シャワーの角度分布と固有の形状から効果的に学習していることが明らかになった。
• 粒子の識別が完全に得られない状況でも、運動量ベース分類器を上回る優れた性能を達成した。
• 分類器は、シャワーヒット全体にわたる微細なエネルギー付加パターンを捉えることに優れており、信号とバックグラウンドの分離を向上させた。
• 本アプローチにより、明示的な特徴工学を施さずに、生の検出器データから意味のある物理的関連特徴を深層学習モデルが抽出できることを示した。