[论文解读] Application of a Convolutional Neural Network for image classification to the analysis of collisions in High Energy Physics

Celia Fernández Madrazo, Ignacio Heredia+2 more|arXiv (Cornell University)|Aug 23, 2017

Particle physics theoretical and experimental studies被引用 4

一句话总结

本文提出了一种高能物理碰撞的新型基于图像的表征方法——将粒子动量和喷流数据转换为224×224×3 RGB图像，从而能够应用预训练的卷积神经网络（CNN），如ResNet50，进行事件分类。该方法在区分顶夸克对（ttbar）事件与背景过程（Drell-Yan和W+jets）时实现了约95%的分类效率，优于传统前馈神经网络在信号与背景区分中的表现。

ABSTRACT

The application of deep learning techniques using convolutional neural networks to the classification of particle collisions in High Energy Physics is explored. An intuitive approach to transform physical variables, like momenta of particles and jets, into a single image that captures the relevant information, is proposed. The idea is tested using a well known deep learning framework on a simulation dataset, including leptonic ttbar events and the corresponding background at 7 TeV from the CMS experiment at LHC, available as Open Data. This initial test shows competitive results when compared to more classical approaches, like those using feedforward neural networks.

研究动机与目标

• 探索将深度学习技术，特别是卷积神经网络（CNN），应用于高能物理中粒子碰撞分类的可行性。
• 通过将动量和喷流数据转换为224×224×3 RGB图像，为CNN输入提供直观的粒子物理事件视觉表征。
• 评估CNN在分类复杂碰撞事件方面相对于经典机器学习方法（如前馈神经网络）的性能。
• 评估CNN在使用LHC CMS实验的真实模拟数据下，对ttbar事件中信号与背景区分的潜力。

提出的方法

• 使用自定义的Python数据处理管道，将模拟质子-质子碰撞中的粒子级可观测量（动量、喷流信息）转换为224×224×3 RGB图像。
• 采用在ImageNet上预训练权重初始化的预训练ResNet50架构，对粒子物理图像数据进行迁移学习。
• 在高性能GPU上使用Adam优化器训练CNN共40个周期，并在训练过程中应用数据增强（旋转、平移、镜像）。
• 采用标准的80/10/10划分方式将数据分为训练集、验证集和测试集，以确保模型评估的稳健性并防止过拟合。
• 对图像进行缩放处理，将输入统一为224×224像素，以符合ResNet50的输入要求。
• 与一个包含5层、每层500个神经元并使用50%丢弃率的前馈神经网络（FNN）进行对比，以评估相对性能。

实验结果

研究问题

• RQ1 当粒子数据以图像形式表示时，卷积神经网络能否有效分类高能物理碰撞事件？
• RQ2 CNN在区分ttbar事件与背景过程方面，与传统前馈神经网络相比表现如何？
• RQ3 基于图像的表征在多大程度上保留了准确分类所必需的物理信息？
• RQ4 使用ImageNet预训练权重进行迁移学习是否能提升在模拟LHC数据上的分类性能？

主要发现

• 在ttbar+jets事件与Drell-Yan和W+jets背景的50/50划分中，CNN在信号与背景分类中的效率达到95.4%。
• CNN正确分类了95%的ttbar+jets事件，仅将4%的W+jets事件和5%的Drell-Yan事件误判为信号。
• 相比之下，前馈神经网络的信号与背景分类效率为94.6%，表明CNN在此特定任务中表现更优。
• 尽管FNN在更简单的分类任务（如不变质量标记）中表现更佳，CNN在信号与背景区分任务中仍表现更优。
• 图像表征方法通过简单地为额外粒子添加圆形，实现了对变长事件的直观处理，而基于向量的FNN则需要零填充。
• 包括基于JSON的数据提取和图像生成在内的预处理管道被证明高效且可复用，相关代码已公开。