[論文レビュー] Secondary Vertex Reconstruction with MaskFormers

Samuel van Stroud, Nikita Ivvan Pond+5 more|arXiv (Cornell University)|Dec 19, 2023

Generative Adversarial Networks and Image Synthesis被引用数 1

ひとこと要約

この論文は、マスクフォーマー（MaskFormer）—Transformerベースのインスタンスセグメンテーションモデル—を用いた、高エネルギー物理学における二次頂点再構築のための新規でエンドツーエンドの機械学習手法を提案する。無順序なトラックから複数の頂点を直接予測し、適合された性質を伴って処理することで、最先端の手法よりも10%高い頂点発見効率を達成し、フレーバー識別パイプラインに統合した際には70%のbジェット効率で軽ジェットの排除を50%、cジェットの排除を15%向上させる。

ABSTRACT

In high-energy particle collisions, the reconstruction of secondary vertices from heavy-flavour hadron decays is crucial for identifying and studying jets initiated by $b$- or $c$-quarks. Traditional methods, while effective, require extensive manual optimisation and struggle to perform consistently across wide regions of phase space. Meanwhile, recent advancements in machine learning have improved performance but are unable to fully reconstruct multiple vertices. In this work we propose a novel approach to secondary vertex reconstruction based on recent advancements in object detection and computer vision. Our method directly predicts the presence and properties of an arbitrary number of vertices in a single model. This approach overcomes the limitations of existing techniques. Applied to simulated proton-proton collision events, our approach demonstrates significant improvements in vertex finding efficiency, achieving a 10% improvement over an existing state-of-the-art method. Moreover, it enables vertex fitting, providing accurate estimates of key vertex properties such as transverse momentum, radial flight distance, and angular displacement from the jet axis. When integrated into a flavour tagging pipeline, our method yields a 50% improvement in light-jet rejection and a 15% improvement in $c$-jet rejection at a $b$-jet selection efficiency of 70%. These results demonstrate the potential of adapting advanced object detection techniques for particle physics, and pave the way for more powerful and flexible reconstruction tools in high-energy physics experiments.

研究の動機と目的

• 従来の手法や既存の機械学習ベースの頂点再構築手法が手動でのチューニングを必要とし、完全に適合された複数の頂点を再構築できないという制限を克服すること。
• 1つのディープラーニングモデルを用いて、複数の二次頂点をエンドツーエンドでスケーラブルかつ一貫性を持って再構築すること。
• 適合された性質（横運動量、径方向飛行距離、角度的ずれなど）を含む完全な頂点再構築を活用することで、フレーバー識別性能を向上させること。
• コンピュータビジョン分野の先進的オブジェクト検出アーキテクチャが、複雑な素粒子物理学の再構築タスクに適用可能であることを実証すること。

提案手法

• 本手法は、素粒子物理学のトラック再構築に適応された、Transformerベースのインスタンスセグメンテーションモデルであるマスクフォーマーを採用する。
• 入力は、シミュレーテッドな陽子-陽子衝突からの無順序なチャージド粒子トラック集合である。
• モデルは任意の数の頂点を予測し、それぞれにクラスラベル、適合された性質（pT, Lxy, dR）、およびトラック割り当てを出力する。
• 頂点の適合は、予測された頂点マスクと関連するトラックから、回帰ヘッドを介してエンドツーエンドで実行される。
• アーキテクチャは、真値の頂点ラベルと性質を用いて、シミュレーテッドイベント上でエンドツーエンドで訓練される。
• モデルは、最先端のアルゴリズムにおける頂点再構築ステップを置き換える形で、フレーバー識別パイプラインに統合される。

実験結果

リサーチクエスチョン

• RQ1 インスタンスセグメンテーションに基づくディープラーニングモデルは、高い効率と正確性でジェット内に複数の二次頂点を再構築できるか？
• RQ2 マスクフォーマーを用いたエンドツーエンドの頂点発見と適合は、従来の手法や既存の機械学習ベースの手法と比較して、効率や誤検出率の面でどのように異なるか？
• RQ3 適合された性質を含む完全な頂点再構築は、その後のフレーバー識別性能をどの程度向上させるか？
• RQ4 手動での最適化なしに、多様な位相空間領域にわたって一般化可能か？
• RQ5 頂点性質の回帰を組み込むことで、単なる頂点検出を越えて、ジェットのフレーバー分類性能がどの程度向上するか？

主な発見

• 提案手法は、最先端のベースライン手法と比較して、10%高い頂点発見効率を達成した。
• モデルは正確な頂点適合を実現し、再構築されたハドロン全体でpT、Lxy、dRの平均正規化残差が±1σの範囲内に収まった。
• フレーバー識別パイプラインに統合した際、bジェット選別効率が70%の条件下で、軽ジェットの排除が50%向上、cジェットの排除が15%向上した。
• 性能向上は、適合された性質を含む頂点構造からのより豊富で一貫性のある情報抽出が可能であるというモデルの能力に起因する。
• 本手法は、多様な位相空間領域においても頑健であり、手動でのパrameterチューニングへの依存を低減した。
• 本手法はブーストされたまたは大半径のジェットのような複雑な環境へも容易に拡張可能であり、トラックおよび共鳴子再構築への広範な応用が期待される。