[论文解读] A $W^\pm$ polarization analyzer from Deep Neural Networks

Taegyun Kim, A. Martin|arXiv (Cornell University)|Feb 9, 2021

Particle physics theoretical and experimental studies参考文献 35被引用 4

一句话总结

本文提出一种卷积神经网络（CNN），通过分析喷注子结构中角度和能量分布的像素化图像，推断增强W±喷注的纵向极化分数fL。尽管该网络无法标记单个事例，但能从W±事例集合中准确提取fL，在标准模型（SM）和新物理（BSM）情景下（包括维度-6算符）均表现出稳健性能。

ABSTRACT

In this paper, we train a Convolutional Neural Network to classify longitudinally and transversely polarized hadronic $W^\pm$ using the images of boosted $W^{\pm}$ jets as input. The images capture angular and energy information from the jet constituents that is faithful to properties of the original quark/anti-quark $W^{\pm}$ decay products without the need for invasive substructure cuts. We find that the difference between the polarizations is too subtle for the network to be used as an event-by-event tagger. However, given an ensemble of $W^{\pm}$ events with unknown polarization, the average network output from that ensemble can be used to extract the longitudinal fraction $f_L$. We test the network on Standard Model $pp o W^{\pm}Z$ events and on $pp o W^{\pm}Z$ in the presence of dimension-6 operators that perturb the polarization composition.

研究动机与目标

• 开发一种基于机器学习的极化分析器，用于增强能区的强子衰变W±，避免依赖子结构裁剪。
• 探究深度神经网络是否能从喷注图像中检测出编码纵向与横向W±极化的细微特征差异。
• 即使单个事例的极化无法区分，仍能从W±事例集合中提取纵向极化分数fL。
• 测试该方法在新物理效应（如改变W±极化组成之维度-6算符）存在下的鲁棒性。

提出的方法

• 该方法将增强W±喷注的像素化图像作为输入，输入至二维卷积神经网络（CNN），以保留喷注组分的空间与能量信息。
• 网络在部分子级事例上进行训练：来自W+jets过程的横向极化W±，以及来自H→W+W−衰变的纵向极化W±，以模拟主要的极化态。
• 通过事例集合对网络输出取平均，以估计纵向极化分数fL，不确定性通过自助法（bootstrapping）计算。
• 性能在标准模型pp→W±Z过程及包含维度-6算符（OW与O3W）的BSM情景下进行验证，这些算符会改变fL。
• 对比分析包括MaxOut与ResNet架构，以评估更高复杂度是否能提升fL提取性能。
• 该方法避免使用显式的子结构变量，而是依赖CNN从图像数据中直接学习极化敏感模式的能力。

实验结果

研究问题

• RQ1 深度神经网络能否仅基于喷注图像数据，成功区分纵向极化与横向极化W±玻色子？
• RQ2 增强W±喷注中极化差异是否足够细微，导致单个事例标记失败，但集合层面的fL提取仍可行？
• RQ3 在标准模型pp→W±Z过程中，网络能否仅使用喷注图像且不施加子结构裁剪，准确恢复fL？
• RQ4 在存在新物理效应（如改变W±极化分数的维度-6算符）时，该方法表现如何？
• RQ5 网络架构（CNN与MaxOut及ResNet相比）是否显著影响fL估计的准确性？

主要发现

• CNN能成功从W±事例集合中提取纵向极化分数fL，且在不同网络架构下结果一致。
• 在低pT的SM pp→W±Z过程中，CNN估计fL = 0.259 ± 0.013，接近真实值0.265。
• 在高pT下，SM的CNN估计fL = 0.300 ± 0.033，与真实值0.304一致。
• 在OW维度-6算符存在下，CNN恢复fL = 0.297 ± 0.010，接近真实值0.311。
• 对于O3W算符，CNN估计fL = 0.254 ± 0.011，与真实值0.258一致。
• 性能在各类架构下趋于饱和——MaxOut或ResNet相比CNN无显著性能提升，表明CNN已足够用于fL提取。