[论文解读] CWoLa Hunting: Extending the Bump Hunt with Machine Learning

Jack H. Collins, Kiel Howe+1 more|arXiv (Cornell University)|May 7, 2018

Particle physics theoretical and experimental studies参考文献 5被引用 8

一句话总结

该论文提出了一种模型无关的机器学习方法——CWoLa Hunting，通过利用所有可用的多变量信息而无需事先假设信号模型，将传统峰态搜索方法进行了扩展。通过结合基于分类器的信号增强与不变质量重建，该方法在探测新共振态方面实现了更高的灵敏度——在传统方法失效的具有挑战性的全 hadronic 末态中得到了验证。

ABSTRACT

The oldest and most robust technique to search for new particles is to look for `bumps' in invariant mass spectra over smoothly falling backgrounds. This is a powerful technique, but only uses one-dimensional information. One can restrict the phase space to enhance a potential signal, but such tagging techniques require a signal hypothesis and training a classifier in simulation and applying it on data. We present a new method for using all of the available information (with machine learning) without using any prior knowledge about potential signals. Given the lack of new physics signals at the Large Hadron Collider (LHC), such model independent approaches are critical for ensuring full coverage to fully exploit the rich datasets from the LHC experiments. In addition to illustrating how the new method works in simple test cases, we demonstrate the power of the extended bump hunt on a realistic all-hadronic resonance search in a channel that would not be covered with existing techniques.

研究动机与目标

• 开发一种用于新物理搜索的模型无关方法，充分利用多变量数据而无需事先假设信号模型。
• 克服传统峰态搜索的局限性，后者仅依赖于一维不变质量分布。
• 在标准标记技术无效的困难末态（如全 hadronic 衰变）中实现共振态的探测。
• 在具有高背景复杂度的真实 LHC 搜索场景中，展示该方法的有效性。

提出的方法

• 该方法使用在模拟信号和背景事件上训练的分类器，识别相空间中信号灵敏度增强的区域。
• 将分类器输出应用于数据，将多变量事件信息转化为一维判别量，用于峰态搜索。
• 利用该判别量构建不变质量分布，从而在信号增强的可观测量上应用标准峰态搜索技术。
• 该方法设计为对任何新共振态均敏感，无论其量子数或衰变拓扑结构如何，确保相空间的全面覆盖。

实验结果

研究问题

• RQ1 机器学习方法能否在不假设信号模型的前提下，将传统峰态搜索扩展至使用所有可用的多变量信息？
• RQ2 在标准标记技术失效的末态（如全 hadronic 衰变）中，该方法在探测共振态方面的表现如何？
• RQ3 在真实 LHC 搜索环境中，与传统峰态搜索相比，该方法在灵敏度提升方面能达到何种程度？
• RQ4 在高背景、复杂相空间中，该方法能否在无事先信号假设的前提下探测到新物理信号？

主要发现

• 该方法成功在全 hadronic 末态中探测到共振态，而传统峰态搜索和标记技术因 QCD 背景过强而失效。
• 通过使用训练分类器提取的多变量信息，该方法实现的信号灵敏度超越了仅依赖不变质量的极限。
• 该方法无需对信号拓扑或量子数做任何假设，即可实现相空间的完整覆盖。
• 该技术表明，在复杂且真实的 LHC 环境中，模型无关的搜索方法可显著优于传统的单变量峰态搜索。