[논문 리뷰] Machine learning approach for the search of resonances with topological features at the Large Hadron Collider

S. Dahbi, Joshua Choma외 5명|arXiv (Cornell University)|2020. 11. 19.

Particle physics theoretical and experimental studies참고 문헌 72인용 수 5

한 줄 요약

이 논문은 대형 하드론 충돌기에서 새로운 물리학 공명을 탐색하기 위한 새로운 기계학습 접근법을 제안한다. 이 방법은 약한 지도 학습과 딥 네ural 네트워크를 이용한 토폴로지 기반 분류를 결합하여, 고차원 위상공간에서 미세한 공명을 효율적으로 식별한다. 이는 제트 다중도, 렙톤 수, 벡터 보존 형성 토폴로지와 같은 토폴로지 특징을 활용함으로써, 시뮬레이션된 배경에 대한 의존도를 최소화하면서도 표준모형 힉스 보손의 양성자 간 붕괴를 다양한 생성 모드에서 효과적으로 분리하는 데 성공한다.

ABSTRACT

The observation of resonances is unequivocal evidence of new physics beyond the Standard Model at the Large Hadron Collider (LHC). So far, inclusive and model dependent searches have not provided evidence of new resonances, indicating that these could be driven by subtle topologies. Here, we use machine learning techniques based on weak supervision to perform searches. Weak supervision based on mixed samples can be used to search for resonances with little or no prior knowledge on the production mechanism. Also, it offers the advantage that sidebands or control regions can be used to effectively model backgrounds with minimal reliance on simulations. However, weak supervision alone is found to be highly inefficient in identifying corners of the multi-dimensional space of interest. Instead, we propose an approach to search for new resonances that involves a classification procedure that is signature and topology based. A combination of weak supervision with Deep Neural Network algorithms are applied following this classification. The performance of this strategy is evaluated on the production of SM Higgs boson decaying to a pair of photons inclusively and in exclusive regions of phase space tailored for specific production modes at the LHC. After verifying the ability of the methodology to extract different SM Higgs boson signal mechanisms, a search for new phenomena in high-mass final states is setup for the LHC.

연구 동기 및 목표

• 기존 표준모형 검색 방식에서 벗어나 비전통적인 토폴로지를 가진 새로운 물리학 공명을 탐지하는 데 도전하는 것.
• 사이드밴드 또는 제어 영역을 활용한 약한 지도 학습을 통해 시뮬레이션된 배경 모델에 대한 의존도를 줄이는 것.
• 기존의 포함적 검색이 실패하는 고차원 위상공간에서 민감도를 향상시키는 것.
• 표준모형 힉스 보손의 양성자 간 붕괴를 증명의 개념으로 검증하는 것.
• 미래의 LHC에서의 공명 탐색을 위한 토폴로지 인식형, 서명 기반의 검색 전략을 개발하는 것.

제안 방법

• 신호 생성 메커니즘의 완전한 레이블 없이도 혼합된 신호 및 배경 샘플을 사용하여 약한 지도 학습을 적용하여 분류기를 훈련한다.
• 제트 다중도, 렙톤 수, 벡터 보존 형성 토폴로지와 같은 토폴로지 특징을 입력으로 사용하여 분류를 유도한다.
• 고차원 위상공간에서 복잡한 비선형 결정 경계를 학습하기 위해 딥 네럴 네트워크(DNN)를 활용한다.
• 배경을 효과적으로 모델링하기 위해 사이드밴드 영역을 통합하여 몬테카를로 시뮬레이션에 대한 의존도를 감소시킨다.
• 약한 지도 학습을 적용하기 이전에 이벤트의 토폴로지 기반 분류를 수행하여 신호 효율성을 향상시킨다.
• 다양한 위상공간 영역에서 양성자 간 붕괴하는 SM 힉스 보손 생성 모드(ggF, VBF, Wh, Zh, t¯th)에 대해 접근법을 검증한다.

실험 결과

연구 질문

• RQ1 약한 지도 학습과 토폴로지 기반 분류를 조합하여 고차원 위상공간에서 미세한 공명을 탐지할 수 있는가?
• RQ2 이 방법은 서로 다른 토폴로지를 가진 표준모형 힉스 보손 생성 모드를 얼마나 효과적으로 구별할 수 있는가?
• RQ3 사이드밴드 영역이 공명 탐색에서 전체 시뮬레이션을 대체할 수 있는 정도는 어느 정도인가?
• RQ4 토폴로지 특징을 포함함으로써 기존의 약한 지도 학습에 비해 신호 효율성이 향상되는가?
• RQ5 이 프레임워크는 표준모형을 초월한 새로운 물리학을 탐색하는 데 일반화될 수 있는가?

주요 결과

• 이 방법은 고유한 위상공간 영역에서 양성자 간 붕괴하는 표준모형 힉스 보손 생성 모드(ggF, VBF, Wh, Zh, t¯th)를 성공적으로 식별하고 분리한다.
• 주요 ggF 모드의 수신기 작동 특성 곡선 아래 면적(AUC)은 0.961에 도달했으며, 신호 수익이 ggF의 25%로 감소한 경우에도 AUC 값은 0.946 이상을 유지한다.
• 약한 지도 학습만으로는 고차원 위상공간에서 효율성이 떨어지지만, 토폴로지 기반 분류를 통한 성능 향상은 뚜렷하다.
• 낮은 배경 제거 수준에서도 높은 신호 효율성(90% 이상)을 유지하여 미세한 토폴로지에 대한 강력한 민감도를 보여준다.
• 다양한 ggF 신호율에서 일관된 성능을 유지하며, 다양한 신호 수익에 대해 안정적인 성능을 보인다.
• 사이드밴드를 활용한 배경 모델링이 효과적으로 가능하여, 시뮬레이션된 신호 및 배경 샘플에 대한 의존도를 감소시킨다.