[论文解读] Pileup mitigation at the Large Hadron Collider with Graph Neural Networks

Jesús Arjona Martínez, Olmo Cerri+3 more|arXiv (Cornell University)|Oct 18, 2018

Particle physics theoretical and experimental studies参考文献 18被引用 7

一句话总结

该论文提出PUPPIML，一种基于图神经网络的分类器，通过学习区分来自高横动量碰撞（主顶点）的粒子与来自堆叠事件的粒子，从而在大型强子对撞机上实现更优的堆叠抑制效果。通过利用图结构化的事件表示和消息传递机制，PUPPIML在 jet 分辨率方面相比 PUPPI 提升高达30%，并显著优于 SoftKiller，在多种物理过程中展现出强大的泛化能力，且性能下降极小。

ABSTRACT

At the Large Hadron Collider, the high transverse-momentum events studied by experimental collaborations occur in coincidence with parasitic low transverse-momentum collisions, usually referred to as pileup. Pileup mitigation is a key ingredient of the online and offline event reconstruction as pileup affects the reconstruction accuracy of many physics observables. We present a classifier based on Graph Neural Networks, trained to retain particles coming from high-transverse-momentum collisions, while rejecting those coming from pileup collisions. This model is designed as a refinement of the PUPPI algorithm, employed in many LHC data analyses since 2015. Thanks to an extended basis of input information and the learning capabilities of the considered network architecture, we show an improvement in pileup-rejection performances with respect to state-of-the-art solutions.

研究动机与目标

• 为解决高亮度 LHC 事件中堆叠污染的问题，即寄生的低pT 碰撞导致物理可观测量重建精度下降。
• 通过引入深度学习与基于图的建模，改进当前最先进的 PUPPI 算法，以更准确地识别并抑制源自堆叠的粒子。
• 开发一种在多种末态（包括多 jet、底夸克及胶子衰变）中均能保持高性能的模型，且性能损失可忽略。
• 通过利用粒子事件的空间结构实施局部图卷积，保持推理过程的计算可行性与局部性。

提出的方法

• 将每个事件建模为图结构，其中粒子为节点，ΔR < R₁ = 0.3 范围内的粒子之间建立边，以保留局部空间关系。
• 采用门控图神经网络（GGNN）架构，包含三层和四次时间步长，实现邻近粒子间的消息传递，以优化节点表示。
• 将最终的节点表示送入读出层，输出一个概率分数，表示该粒子源自主顶点（而非堆叠）的可能性。
• 在 Z→νν̄ + jets 事件上进行训练，堆叠水平变化范围为 140 个平均堆叠相互作用，使用交叉熵损失函数以优化分类性能。
• 推理阶段为每个粒子分配一个概率分数，该分数可作为下游分析中的权重，或用于粒子剔除的阈值。
• 模型设计为探测器无关，不依赖于探测器几何结构或颗粒度信息，仅基于重建粒子的运动学参数。

实验结果

研究问题

• RQ1 图神经网络架构是否能在 LHC 堆叠抑制任务中超越传统规则驱动及 PUPPI 式算法？
• RQ2 PUPPIML 模型在不同物理过程（如多 jet 末态及底夸克或胶子衰变）中的泛化能力如何？
• RQ3 模型性能在多大程度上依赖于训练配置，特别是平均堆叠水平？
• RQ4 模型是否能在保持高性能的同时维持计算局部性，并支持高效并行化？

主要发现

• 与 PUPPI 算法相比，PUPPIML 在 jet 相关量的分辨率上最高提升 30%，且在 SoftKiller 上的提升更为显著。
• 模型在多种物理过程（包括 Z→νν̄ + jets、顶夸克衰变及希格斯玻色子衰变）中均表现出良好泛化能力，AUC 性能仅略有下降。
• 在平均堆叠水平为 140 时，模型仍保持高性能，当 GGNN 层数和隐藏维度减少时，AUC 值下降不足 0.2%。
• 在 Titan Xp GPU 上，140 个平均堆叠相互作用下，模型推理速度约为每秒 10 个事件，比 PUPPI 或 SoftKiller 慢一个数量级以上，但可通过架构与实现优化进一步提升。
• 模型的局部性得以保持，仅当粒子间 ΔR < 1.2 时才相互影响分类结果，支持通过异步消息传递实现潜在并行化。
• 粒子剔除的阈值对训练样本具有轻微依赖性，表明模型在不同堆叠配置下具备鲁棒性。