[论文解读] ATLAS flavour-tagging algorithms for the LHC Run 2 $pp$ collision dataset
本论文为LHC运行2期间ATLAS实验提出了新型的喷子种类鉴别算法，采用循环神经网络与深度神经网络以提升喷子种类识别性能。在77%的b-夸克喷子识别效率下，该方法实现了170倍（轻夸克喷子）与5倍（粲夸克喷子）的拒绝因子，显著优于以往基于提升决策树或似然判别器的方法。
The flavour-tagging algorithms developed by the ATLAS Collaboration and used to analyse its dataset of $\sqrt{s} = 13$ TeV pp collisions from Run 2 of the Large Hadron Collider are presented. These new tagging algorithms are based on recurrent and deep neural networks, and their performance is evaluated in simulated collision events. These developments yield considerable improvements over previous jet-flavour identification strategies. At the 77% b-jet identification efficiency operating point, light-jet (charm-jet) rejection factors of 170 (5) are achieved in a sample of simulated Standard Model $t\bar{t}$ events; similarly, at a c-jet identification efficiency of 30%, a light-jet (b-jet) rejection factor of 70 (9) is obtained.
研究动机与目标
- 提升LHC中顶夸克与希格斯玻色子物理研究中的喷子种类识别性能。
- 解决在高多重性、高能环境下区分b-夸克喷子、c-夸克喷子与轻夸克喷子的挑战。
- 利用深度学习开发并评估新型低水平与高水平鉴别算法，以提升性能。
- 通过提高b-夸克与c-夸克喷子的识别效率与拒绝能力，减少背景污染，从而提升精密测量与新物理搜索的准确性。
提出的方法
- 该方法采用两阶段流程：低水平算法从轨迹与顶点中提取特征，随后由高水平多变量分类器进行处理。
- 低水平算法包括基于轨迹的循环神经网络、影响参数估计器、次级顶点寻找器以及拓扑多顶点寻找器。
- 高水平喷子种类鉴别器基于DL1系列深度学习模型，整合低水平算法的输出以实现最优区分能力。
- 算法在t¯t与高质心能量Z′→qq事件的混合蒙特卡罗样本上进行训练与验证，通过按喷子pT依赖的混合策略优化不同动量区间的性能。
- 性能通过模拟事件进行评估，指标包括在特定工作点下的拒绝因子与效率。
- 进行了过拟合检查与蒙特卡罗生成器依赖性研究，以确保模型的鲁棒性与泛化能力。
实验结果
研究问题
- RQ1与传统的提升决策树相比，循环神经网络与深度神经网络在b-夸克与c-夸克喷子鉴别性能方面有何提升？
- RQ2哪些低水平特征（如影响参数、次级顶点等）的组合在高水平喷子种类鉴别中表现最优？
- RQ3新算法在不同喷子横动量区间与蒙特卡罗生成器模型下的性能表现如何？
- RQ4新算法在多大程度上减少了过拟合，并在多种事件生成器之间保持了稳定性？
主要发现
- 在77%的b-夸克喷子识别效率下，该算法在模拟的t¯t事件中实现了170倍的轻夸克喷子拒绝因子与5倍的粲夸克喷子拒绝因子。
- 在30%的c-夸克喷子识别效率下，方法实现了70倍的轻夸克喷子拒绝因子与9倍的b-夸克喷子拒绝因子。
- 在追踪系统中集成插入式B层（IBL）后，在固定b-夸克喷子效率下，轻夸克喷子拒绝能力最高可提升四倍。
- 基于深度学习的新算法显著优于以往基于似然判别器或提升决策树的方法。
- 系统性检查显示过拟合现象极小，且在不同蒙特卡罗生成器模型下性能稳定。
- 算法对部分子喷发与强子碎片化模型的变化具有鲁棒性，表明其具备强大的泛化能力。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。