[论文解读] A Universal Framework for Finding Anomalous Objects at the LHC

Amit Chakraborty, Abhishek M. Iyer+1 more|arXiv (Cornell University)|Jul 22, 2017

Particle physics theoretical and experimental studies参考文献 79被引用 6

一句话总结

本文提出了一种通用的、数据驱动的框架，用于在大型强子对撞机（LHC）上检测逃避标准重建技术的异常物体。通过应用一组甄别（vetoes）以消除所有已知标准物体，直至预设的接受率，任何仍包含至少一个未分类物体的事件即成为新物理的候选者，从而实现对意外现象的模型无关发现。

ABSTRACT

Search for new physics events at the LHC mostly rely on the assumption that the events are characterized in terms of standard-reconstructed objects such as isolated photons, leptons, and jets initiated by QCD-partons. While such strategy works for a vast majority of physics beyond the standard model scenarios, there are examples aplenty where new physics give rise to anomalous objects (such as collimated and equally energetic particles, decays due to long lived particles etc.) in the detectors, which can not be classified as any of the standard-objects. Varied methods and search strategies have been proposed, each of which is trained and optimized for specific models, topologies, and model parameters. Further, as LHC keeps excluding all expected candidates for new physics, the need for a generic method/tool that is capable of finding the unexpected can not be understated. In this paper, we propose one such method that relies on the philosophy that all anomalous objects are $\it{not}$ standard-objects. The anomaly finder, we suggest, simply is a collection of vetoes that eliminate all standard-objects upto a pre-determined acceptance rate. Any event containing at least one anomalous object (that passes all these vetoes), can be identified as a candidate for new physics. Subsequent offline analyses can determine the nature of the anomalous object as well as of the event, paving a robust way to search for these new physics scenarios in a model-independent fashion. Further, since the method relies on learning only the standard-objects, for which control samples are readily available from data, one can build the analysis in an entirely data-driven way.

研究动机与目标

• 为应对检测不产生孤立光子、轻子或QCD喷注等标准重建物体的新物理的挑战日益增长的问题。
• 克服现有搜索策略的局限性，这些策略针对特定模型和拓扑结构，因而会遗漏意外的信号。
• 开发一种通用且稳健的方法，能够在不预先假设其性质或来源的情况下识别异常物体。
• 通过仅在数据中可用的标准物体控制样本上进行训练，实现完全数据驱动的分析。
• 为以模型无关的方式发现新物理提供基础，尤其是在传统信号在大型强子对撞机（LHC）上日益被排除的背景下。

提出的方法

• 该方法将异常物体定义为未被分类为任何标准物体（例如孤立光子、轻子、QCD喷注）的物体。
• 构建一组甄别，基于其运动学和拓扑特性系统性地消除所有标准物体。
• 甄别被调节以实现标准事件的预设接受率，确保对信号敏感度的最小损失。
• 通过所有甄别的事件被标记为包含至少一个异常物体，作为新物理候选者。
• 该框架仅依赖于标准物体识别的数据驱动训练，避免依赖蒙特卡洛模拟或理论模型。
• 随后的离线分析可进一步表征异常物体及其事件拓扑，以确定其来源。

实验结果

研究问题

• RQ1 是否能够通过一种通用的、模型无关的方法检测那些不符合标准重建类别的异常物体？
• RQ2 如何通过数据驱动的方法有效识别具有未知或意外物理信号的事件？
• RQ3 基于甄别的框架在拒绝标准模型背景的同时，能在多大程度上保持对新物理的敏感度？
• RQ4 该方法是否可以不依赖理论模型或模拟信号样本而实现？
• RQ5 如何校准该框架以控制标准事件的接受率，同时最大化对异常的敏感度？

主要发现

• 所提出的框架能够检测逃避标准重建的异常物体，包括喷注状、能量相等的粒子，或长寿命粒子的信号。
• 通过仅依赖标准物体识别的数据驱动训练，该方法避免了模型依赖性，并减少了理论不确定性。
• 通过保留甄别后仍包含未分类物体的事件，该方法维持了对新物理的高敏感度。
• 该方法提供了一种稳健、系统化的方法，用于在不预先假设底层物理模型的情况下搜索意外现象。
• 该框架具有可扩展性，可适用于任何大型强子对撞机（LHC）分析，仅需极少修改，支持未来的数据驱动发现。
• 基于甄别的策略确保了分析对新物理保持敏感，同时通过校准的接受率阈值控制背景率。