[論文レビュー] Quark jet versus gluon jet: deep neural networks with high-level features

Hui Luo, Guohuai Zhu+3 more|arXiv (Cornell University)|Dec 10, 2017

Particle physics theoretical and experimental studies被引用数 7

ひとこと要約

本論文では、専門家が設計したジェット観測量を用いた完全結合ニューラルネットワーク（FNN）を提案し、クォークおよびグルーオン始状態のジェットを区別する手法を検討した。その結果、特に高ジェット横断運動量領域において、畳み込みニューラルネットワーク（CNN）と同等またはそれ以上の性能を達成した。研究では、わずか14の主要な観測量が、ほぼすべての関連する分離情報を持つことが判明した。

ABSTRACT

Jet identification is one of the fields in high energy physics that deep learning has begun to make some impact. More often than not, convolutional neural networks are used to classify jet images with the benefit that essentially no physics input is required. Inspired by a recent paper by Datta and Larkoski, we study the separation of quark/gluon-initiated jets based on fully-connected neural networks (FNNs), where expert-designed physical variables are taken as input. FNNs are applied in two ways: trained separately on various narrow jet transverse momentum $p_{TJ}$ bins; trained on a wide region of $p_{TJ} \in [200,~1000]$ GeV. We find their performance are almost the same, and the larger $p_{TJ}$ the better. Comparing with results from deep convolutional neural networks, our results are comparable for low $p_{TJ}$, and even slightly better than those for high $p_{TJ}$. We also test the performance of FNNs with full set or different subsets of jet observables as input features. The FNN with one subset, consisting of fourteen observables, shows nearly no degradation of performance. This indicates that these fourteen expert-designed observables may have captured most of the information useful for the separation of quark/gluon jets.

研究の動機と目的

• 完全結合ニューラルネットワーク（FNN）が、物理的動機付けに基づく特徴量を用いてクォークおよびグルーオン始状態のジェットを効果的に分類できるかを調査すること。
• 狭いpTチャンク（例：200–300 GeV、300–400 GeVなど）で訓練したFNNと、広いpT範囲（200–1000 GeV）で訓練したFNNの性能を評価すること。
• 14の専門家が設計した観測量の縮小されたセットが、クォーク/グルーオンジェット分離のためのほとんどすべての識別的パワーを保持しているかどうかを特定すること。
• 物理的洞察に基づく特徴量を用いたFNNの性能と、事前に物理的知識を含まないジェット画像を処理する畳み込みニューラルネットワーク（CNN）の性能を比較すること。

提案手法

• FNNは、ジェット質量、N-サブジェット性、エネルギー相関関数など、専門家が設計した物理的変数であるジェット観測量を入力とし、生のジェット画像ではなく、それらを用いて訓練される。
• モデルは、個別の狭いpTチャンク（例：200–300 GeV、300–400 GeVなど）と、200–1000 GeVという広いpT範囲の両方で訓練される。
• クォーク対グルーオンジェットの分類性能は、分類精度や分離能（例：AUCまたは類似指標）を用いて評価される。
• アンブレーションスタディとして、観測量のサブセット（14観測量セットを含む）でFNNを訓練し、特徴量の重要性を評価する。
• 物理的事前知識を含まないジェット画像を処理するベースラインCNNと比較する。
• 本研究では、高レベルの物理的特徴量が、モデルの複雑さを低減しつつ性能を維持する役割を強調している。

実験結果

リサーチクエスチョン

• RQ1 専門家が設計したジェット観測量を用いて訓練された完全結合ニューラルネットワーク（FNN）は、畳み込みニューラルネットワーク（CNN）と同等のクォーク/グルーオンジェット分離性能を達成できるか？
• RQ2 200–1000 GeVという広いpT範囲でFNNを訓練すると、狭いpTチャンクで訓練した場合と同等またはより良い性能が得られるか？
• RQ3 14の主要な観測量のうち、どれだけの数が、高い分類性能を維持するために必要か？
• RQ4 高pTジェット領域において、FNNはCNNに性能優位性を示すか？
• RQ5 物理的洞察に基づく特徴量は、クォーク/グルーオン識別に必要なほとんどすべての情報を捉えているか？

主な発見

• 200–1000 GeVという広いpT範囲で訓練したFNNは、狭いpTチャンクで訓練したモデルとほぼ同等の性能を達成した。
• FNNの性能はジェット横断運動量の増加に伴い向上し、特に高pT領域で優れた分離性能を示した。
• 14の専門家が設計した観測量のみを用いたFNNは、全観測量セットを用いたモデルと比較して、ほとんど性能劣化がなかった。
• 高pTジェット領域では、FNNが生のジェット画像を処理するCNNを上回るか、同等の性能を示した。
• 14観測量のセットが、クォーク/グルーオンジェット分離に必要な大部分の識別的情報を捉えていた。
• 結果から、高レベルの物理的特徴量は極めて有効であり、ジェット分類において複雑なディープラーニングアーキテクチャの必要性を低減できる可能性がある。