[论文解读] Benchmarking Machine Learning Techniques with Di-Higgs Production at the LHC

B. Tannenwald, C. Neu+6 more|arXiv (Cornell University)|Sep 14, 2020

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

一句话总结

本论文针对高亮度强子对撞机（HL-LHC）中双希格斯玻色子产生（hh → bb̄bb̄）的探测，基准测试了多种机器学习技术，涵盖从传统提升决策树到深度神经网络和自编码器的方法。基于3000 fb⁻¹亮度的14 TeV质子-质子碰撞模拟数据，结果表明卷积神经网络（CNN）实现了2.85 ± 0.02的最高显著性，显著优于传统截断方法和无监督自编码器，后者仅获得0.81 ± 0.01的显著性，原因在于潜在空间中信号与背景分离效果差。

ABSTRACT

Many domains of high energy physics analysis are starting to explore machine learning techniques. Powerful methods can be used to identify and measure rare processes from previously insurmountable backgrounds. One of the most profound Standard Model signatures still to be discovered at the LHC is the pair production of Higgs bosons through the Higgs self-coupling. The small cross section of this process makes detection very difficult even for the decay channel with the largest branching fraction ($hh ightarrow b\bar{b}b\bar{b}$). This paper benchmarks a variety of approaches (boosted decision trees, various neural network architectures, semi-supervised algorithms) against one another to catalog a few of the various techniques available to high energy physicists as the era of the HL-LHC approaches.

研究动机与目标

• 评估并比较多种机器学习技术在高亮度强子对撞机（HL-LHC）的主导bb̄bb̄衰变道中识别稀有双希格斯玻色子产生的能力。
• 在理想化的零积压条件下评估监督与无监督机器学习方法的性能，以模拟高亮度强子对撞机环境。
• 识别在区分稀有双希格斯信号与主导的QCD多喷胶背景方面最有效的网络架构。
• 通过记录现代机器学习技术相较于传统运动学截断的灵敏度增益，为未来高能物理分析提供参考基准。

提出的方法

• 双希格斯玻色子（hh → bb̄bb̄）和QCD多喷胶背景的模拟事件使用MadGraph v2.7.0生成，经Pythia v8.2.44进行部分子辐射，并通过Delphes v3.0对Phase-II CMS探测器进行重建。
• 训练了多种机器学习模型：提升决策树、前馈神经网络与卷积神经网络、随机森林、k均值聚类、粒子流网络，以及使用ReLU和Sigmoid激活函数及L2正则化的自编码器。
• 自编码器在无监督方式下对QCD事件进行训练，以学习压缩的潜在表示，预期信号事件在重建中具有更高的损失。
• 显著性计算公式为 σ = N_signal / √N_background，其中事例数已归一化至3000 fb⁻¹积分亮度，并传播了统计不确定性。
• 所有模型均在零积压条件下评估，结果报告了选择截断后信号与背景事例数及显著性。
• 本研究采用简化的事件生成方式，不包含积压效应，并施加最小的强子活动截断，以隔离机器学习架构对信号区分能力的影响。

实验结果

研究问题

• RQ1 在零积压条件下，面对主导的QCD多喷胶背景，哪种机器学习架构在识别双希格斯玻色子产生（hh → bb̄bb̄）时达到最高显著性？
• RQ2 在训练过程中未使用标签的情况下，无监督方法（如自编码器）与监督模型在探测稀有双希格斯事件方面表现如何比较？
• RQ3 深度学习架构（如卷积神经网络和粒子流网络）在多大程度上优于传统运动学截断和树基模型？
• RQ4 模型特异性特征与潜在空间表示如何影响高维相空间中信号与背景事例的分离？
• RQ5 不同机器学习技术在高亮度强子对撞机预期的高积压环境中对重建挑战的鲁棒性如何？

主要发现

• 卷积神经网络（CNN）实现了2.85 ± 0.02的最高显著性，显著优于传统的一维矩形截断（0.82 ± 0.02）及其他模型。
• 粒子流网络（PFN）实现了1.62 ± 0.01的显著性，尽管依赖于重建喷胶和粒子级输入，仍表现出强劲性能。
• 随机森林模型实现了2.44 ± 0.19的显著性，对应544.7 ± 6.3个信号事例和50,000个背景事例，显示出优异的信号保留能力。
• 自编码器作为无监督方法，仅实现0.81 ± 0.01的显著性，表明其在潜在空间中对信号与背景的分离效果差，原因在于损失分布重叠。
• 提升决策树实现了1.84 ± 0.09的显著性，对应986.3 ± 8.9个信号事例和280,000个背景事例，相较于传统截断有中等程度的改进。
• 所有结果均在零积压条件下获得，表明依赖重建的模型在高积压的HL-LHC环境中性能可能显著下降，因此更倾向于采用模型无关的方法（如CNN和PFN）。