[论文解读] Bidirectional Long Short-Term Memory (BLSTM) neural networks for reconstruction of top-quark pair decay kinematics

Fardin Syed, R. Di Sipio+1 more|arXiv (Cornell University)|Sep 3, 2019

Particle physics theoretical and experimental studies被引用 4

一句话总结

本文提出一种双向长短期记忆（BLSTM）神经网络，命名为 AngryTops，用于在 13 TeV 质子-质子碰撞的缪子+喷胶子道中重建顶夸克对衰变的动力学。该模型在使用 MadGraph5、Pythia8 和 Delphes3 模拟的蒙特卡洛事件上进行训练，其重建性能与标准的 $χ^2$-拟合方法相当，证明了深度学习在高能物理中概率性动力学重建的可行性。

ABSTRACT

A probabilistic reconstruction using machine-learning of the decay kinematics of top-quark pairs produced in high-energy proton-proton collisions is presented. A deep neural network whose core consists of a Bidirectional Long Short-Term Memory (BLSTM) is trained to infer the four-momenta of the two top quarks produced in the hard scattering process. The MadGraph5+Pythia8 Monte Carlo event generator is used to create a sample of top-quark pairs decaying in the $\\mu$+jets channel, whose final-state objects are used to create the input to the deep neural network. Distortions due to limited resolution of the experimental apparatus are simulated with the Delphes3 fast detector simulator. The level of agreement between the Monte Carlo predictions and the BLSTM for kinematic distributions at parton level is comparable to that obtained using a benchmark method that finds the jet permutation that minimizes an objective function.

研究动机与目标

• 开发一种基于机器学习的方法，用于重建高能质子-质子碰撞中顶夸克对衰变的动力学。
• 克服传统重建方法（如 $χ^2$-拟合）的局限性，这些方法在喷胶子低于横动量阈值时因探测器分辨率而失效。
• 评估基于 BLSTM 的神经网络是否能在重建顶夸克、W 玻色子和底夸克的四momenta 方面优于或匹配标准算法。
• 研究模型在不同动力学分布下的鲁棒性和泛化能力，特别是在喷胶子 $p_{\rm T}$ 较低的区域。
• 实现灵活的外推重建，不依赖参数化转移函数或固定的喷胶子排列。

提出的方法

• 训练一个以双向长短期记忆（BLSTM）为核心结构的深度神经网络，用于从 $μ$+jets $t\bar{t}$ 衰变道中的末态粒子推断顶夸克的四momenta。
• 使用 MadGraph5 进行矩阵元计算，Pythia8 进行部分子辐射，通过 MLM 匹配确保一致性。
• 使用 Delphes3 模拟探测器效应，包括额外 $pp$ 相互作用引起的积压，以复现真实的 LHC 条件。
• 输入特征包括重建的缪子、喷胶子和缺失横动量，对关键粒子施加 $p_{\rm T} > 20$ GeV 和 $|\eta| < 2.5$ 的截断。
• 网络被训练以预测两个顶夸克的四momenta、其衰变产物（W 玻色子和底夸克）以及相应的动力学分布。
• 通过将重建分布与部分子级蒙特卡洛真实值比较来评估性能，使用 $p_{\rm T}$、$\eta$ 和 $\phi$ 分布的一致性等指标。

实验结果

研究问题

• RQ1 基于 BLSTM 的神经网络能否以与标准 $χ^2$-拟合方法相当的性能重建顶夸克对衰变动力学？
• RQ2 当喷胶子低于 $p_{\rm T} > 20$ GeV 阈值时，该模型在重建动力学变量方面的表现如何，此时传统方法会失效？
• RQ3 BLSTM 模型在学习 $p_{\rm T}$ 截断点和横动量分布形状方面，与蒙特卡洛真实值相比有多大的程度？
• RQ4 BLSTM 方法在重建 W 玻色子和 b 夸克动力学方面存在哪些局限性？与 $χ^2$-拟合相比如何？
• RQ5 神经网络重建的角分布（$\eta$、$\phi$）与蒙特卡洛真实值相比如何？观察到的不对称性由何原因造成？

主要发现

• 基于 BLSTM 的模型 AngryTops 在顶夸克 $p_{\rm T}$ 和 $\eta$ 分布的重建性能与基准 $χ^2$-拟合方法相当。
• AngryTops 和 $χ^2$-拟合在相似程度上低估了顶夸克的 $p_{\rm T}$，表明重建过程中存在共同的系统性偏差。
• AngryTops 一致地低估了 b 夸克的横动量，并且即使所有训练用喷胶子均满足该条件，也未能学习到 $p_{\rm T} > 20$ GeV 的阈值。
• 该模型在 $\phi$ 和快度分布中表现出不对称性，而 $χ^2$-拟合中不存在此类现象，且这些不对称性在不同训练会话中变化，表明可能存在不稳定性或训练不充分。
• 尽管 W 玻色子和 b 夸克的动力学重建在两种方法中均表现不佳，但神经网络在这些可观测量上并未优于 $χ^2$-拟合。
• $χ^2$-拟合略微高估了 $p_{\rm T}$，并正确反映了 b 夸克分布中的 $p_{\rm T}$ 截断点，在 $\phi$ 分布精度上优于 AngryTops。