[논문 리뷰] Playing Tag with ANN: Boosted Top Identification with Pattern Recognition

Leandro G. Almeida, Mihailo Backović외 3명|arXiv (Cornell University)|2015. 01. 23.

Particle physics theoretical and experimental studies참고 문헌 38인용 수 20

한 줄 요약

이 논문은 인공신경망(ANN)을 사용하여 강입자 칼로리메터 에너지 침투를 디지털 이미지로 간주함으로써 패턴 인식을 가능하게 하여, 강력하게 충돌한 톰 쿼크를 식별하는 새로운 탑 태깅 알고리즘을 제안한다. 이 ANN는 1100–1200 GeV의 운동량을 가진 제트에서 60%의 탑 태깅 효율성과 4%의 오류 태깅 비율을 달성하며, 복잡한 에너지 침투 패턴의 종단 간 학습을 통해 전통적인 제트 서브스트럭처 방법을 능가한다.

ABSTRACT

Many searches for physics beyond the Standard Model at the Large Hadron Collider (LHC) rely on top tagging algorithms, which discriminate between boosted hadronic top quarks and the much more common jets initiated by light quarks and gluons. We note that the hadronic calorimeter (HCAL) effectively takes a "digital image" of each jet, with pixel intensities given by energy deposits in individual HCAL cells. Viewed in this way, top tagging becomes a canonical pattern recognition problem. With this motivation, we present a novel top tagging algorithm based on an Artificial Neural Network (ANN), one of the most popular approaches to pattern recognition. The ANN is trained on a large sample of boosted tops and light quark/gluon jets, and is then applied to independent test samples. The ANN tagger demonstrated excellent performance in a Monte Carlo study: for example, for jets with p_T in the 1100-1200 GeV range, 60% top-tag efficiency can be achieved with a 4% mis-tag rate. We discuss the physical features of the jets identified by the ANN tagger as the most important for classification, as well as correlations between the ANN tagger and some of the familiar top-tagging observables and algorithms.

연구 동기 및 목표

• 강입자 칼로리메터 데이터의 패턴 인식을 활용하여 LHC에서 강력하게 충돌한 탑 쿼크 식별을 향상시키기 위해.
• 고도로 콘덴서된 탑 쿼크 붕괴와 QCD 제트를 구분하는 데 있어 전통적인 제트 서브스트럭처 방법의 한계를 해결하기 위해.
• 원시 칼로리메터 에너지 침투를 직접 탑 태깅 결정으로 매핑하는 종단 간 학습 접근법을 개발하기 위해.
• 기존의 탑 태깅 알고리즘인 TOM, N-서브젯티니스, ATLAS 태거와의 성능 비교를 위해.
• 분류에 가장 중요한 물리적 특징을 분석하고, 전통적 관측량과의 상관관계를 이해하기 위해.

제안 방법

• 각 제트의 셀 단위 강입자 칼로리메터 에너지 침투는 2차원 디지털 이미지 표현에서 픽셀 강도로 간주된다.
• 이미지 유사한 HCAL 데이터를 입력으로 사용하여, 대량의 몬테카를로 샘플에서 강력하게 충돌한 탑 쿼크와 경량 쿼크/글루온 제트를 학습하는 인공신경망(ANN)이 훈련된다.
• 수동으로 설계된 제트 서브스트럭처 관측량이 필요 없이 원시 에너지 침투에서 계층적인 특징을 학습한다.
• 성능 측정을 위해 독립적인 테스트 샘플에서 네트워크가 평가되며, 탑 태깅 효율성과 오류 태깅 비율 기준으로 성능을 측정한다.
• 표준 탑 태깅 방법, 즉 템플릿 오버랩 메서드(TOM), N-서브젯티니스, ATLAS 태거와의 성능 비교가 이루어진다.
• 분류 결정에 가장 큰 영향을 미치는 셀 패턴을 파악하기 위해 특징 중요도 분석이 수행된다.

실험 결과

연구 질문

• RQ1 원시 칼로리메터 에너지 침투에서 훈련된 딥 러닝 모델이 전통적인 제트 서브스트럭처 관측량보다 강력하게 충돌한 탑 쿼크 식별에 뛰어난 성능을 보일 수 있는가?
• RQ2 제트 에너지 침투 패턴 내에서 ANN가 QCD 제트와 탑 쿼크를 구분하는 데 가장 중요한 물리적 특징은 무엇인가?
• RQ3 TOM, N-서브젯티니스, ATLAS 태거와 같은 기존 탑 태깅 알고리즘과 비교할 때 ANN 태거의 성능는 어떠한가?
• RQ4 ANN 태거의 예측 결과가 기존의 탑 태깅 관측량과 얼마나 상관이 있는가?
• RQ5 이미지 유사한 칼로리메터 데이터에서 종단 간 학습을 통해 고에너지 물리학에서 더 강건하고 효율적인 탑 태깅이 가능할 수 있는가?

주요 결과

• 1100–1200 GeV 범위의 제트에서 ANN 태거는 60%의 탑 태깅 효율성과 4%의 오류 태깅 비율을 달성하여 높은 성능을 보였다.
• ANN는 QCD 복사가 존재하는 상황에서도 강하게 충돌한 탑 쿼크의 특징적인 3개의 뿌리 패턴을 식별하는 데 성공했다.
• 고정된 오류 태깅 비율에서 N-서브젯티니스 및 ATLAS 태거와 같은 전통적 방법보다 신호 효율성이 뛰어나 성능이 뛰어나다.
• 분류에 가장 중요한 특징은 탑 쿼크의 세 개의 붕괴 생성물에 해당하는 영역에서 관찰되는 국소적 에너지 침투 패턴이다.
• ANN의 예측 결과는 N-서브젯티니스 비율 τ3/τ2와 강하게 상관되며, 이는 ANN이 뿌리 패턴의 제트 구조에 민감함을 입증한다.
• 이 방법은 검출기 수준의 영향에 강건하며, 제트 서브스트럭처의 패턴 인식을 위한 일반화 가능한 프레임워크를 제공한다.