[论文解读] Boosted Top Tagging Method Overview

Gregor Kasieczka|arXiv (Cornell University)|Jan 12, 2018

Particle physics theoretical and experimental studies参考文献 7被引用 6

一句话总结

本文全面综述了在大型强子对撞机（LHC）上识别喷射态顶夸克的顶级标签技术，涵盖QCD启发的喷嘴子结构变量、整体式顶级标签算法以及深度学习方法。文章强调了软打孔（soft drop）、n-子喷注不透明度（n-subjettiness）以及神经网络（特别是LoLa和基于图像的卷积神经网络）等方法在提升顶夸克识别性能方面相较于传统技术的有效性。

ABSTRACT

We briefly review common tools and methods to identify boosted, hadronically decaying top quarks at the LHC experiments. This includes generic jet substructure variables, specific top identification algorithms, and recent developments in deep learning techniques.

研究动机与目标

• 调查并比较在大型强子对撞机高能物理实验中识别喷射态顶夸克的现有方法。
• 评估QCD启发的喷嘴子结构变量（如修剪、软打孔和n-子喷注不透明度）的性能与适用性。
• 研究整体式顶级标签算法（如HEPTopTagger V2、HOTVR和喷注喷射分解）在提升信号-背景区分能力方面的表现。
• 探索深度学习技术（包括全连接网络、卷积神经网络、循环神经网络以及物理信息驱动的LoLa算法）在提升顶级标签精度中的作用。
• 评估机器学习方法在统一顶夸克标签与底夸克标签方面的潜力，以提升整体分析灵敏度。

提出的方法

• 使用修剪和软打孔等喷嘴去污算法，以去除喷射中的软辐射，并从大半径喷注中提取硬子结构。
• 利用n-子喷注不透明度比值（如τ₃/τ₂）和能量关联函数，量化喷注子结构并识别顶夸克衰变模式。
• 应用整体标签方法，如质量丢失滤波（HEPTopTagger V2）、可变R喷注聚类（HOTVR）以及基于模板的分类（模板重叠法）。
• 采用喷注喷射分解技术，通过微喷注上的矩阵元似然函数计算信号/背景概率。
• 采用深度学习架构，包括全连接网络（FCNs）、应用于电磁量能器图像的卷积神经网络（CNNs）以及处理喷注成分序列的循环神经网络（RNNs）。
• 提出LoLa算法，该算法结合组合层（CoLa）与洛伦兹不变卷积层（LoLa），在全连接网络分类前提取物理感知特征。

实验结果

研究问题

• RQ1 软打孔和修剪等QCD启发的去污技术在大半径喷注中如何提升喷射态顶夸克的识别能力？
• RQ2 整体式标签算法（如HEPTopTagger V2和HOTVR）在顶夸克标签任务中相较于通用子结构变量的性能优势有多大？
• RQ3 深度学习模型（尤其是CNNs和RNNs）是否能在顶夸克标签任务中超越传统手工设计的变量？
• RQ4 LoLa算法如何通过洛伦兹不变性与可训练特征提取来增强顶夸克识别能力？
• RQ5 利用最大信息量机器学习技术，将底夸克标签与顶夸克标签集成的潜力有多大？

主要发现

• 软打孔和修剪算法能有效抑制堆叠和本底事件的影响，同时保留硬子结构，从而实现精确的喷注质量重建。
• τ₃/τ₂比值是强有力的判别变量，其值越小越表明存在三喷注顶夸克衰变，广泛应用于顶夸克标签工作流中。
• 应用于电磁量能器图像的卷积神经网络（CNNs）通过直接从原始数据中学习空间模式，展现出极强的判别能力。
• LoLa算法通过结合物理信息特征提取与端到端训练，展现出最先进性能，在喷注级分类任务中优于标准全连接网络。
• 基于RNN的方法通过按顺序处理喷注成分，能够捕捉衰变链的序列依赖性和内部记忆，表现出强劲性能。
• 将机器学习与传统子结构技术相结合，可实现更鲁棒、更灵敏的顶夸克识别，尤其在高多重性环境中优势显著。