[论文解读] Discrimination between prompt and long-lived particles using convolutional neural network

Biplob Bhattacherjee, Swagata Mukherjee+1 more|arXiv (Cornell University)|Apr 9, 2019

Particle physics theoretical and experimental studies参考文献 28被引用 3

一句话总结

本文提出使用卷积神经网络（CNNs）通过分析量能器中能量沉积的模式，来区分大型强子对撞机（LHC）数据中的喷射粒子与长寿命粒子。该方法在基准的新物理场景中成功区分了位移喷射事例与即时喷射事例，展示了CNN在寻找标准模型之外新物理方面的强大潜力。

ABSTRACT

Sophisticated machine learning techniques, like computer vision, are state of the art in modern day research. These technologically advanced algorithms have promising potential in search for physics beyond Standard Model in Large Hadron Collider (LHC). Most of the computer vision tasks are surrounded around convolutional neural networks (CNN), which can provide powerful tools for differentiating between patterns of calorimeter energy deposits by prompt particles of Standard Model and long-lived particles predicted in various models beyond the Standard Model. We demonstrate the usefulness of CNN by using a couple of physics examples from well motivated BSM scenarios predicting long-lived particles giving rise to displaced jets. Our work suggests that modern machine-learning techniques have potential to discriminate between energy deposition patterns of prompt and long-lived particles, and thus, they can be useful tools in such searches.

研究动机与目标

• 为解决在高能物理实验中识别具有位移衰变的长寿命粒子的挑战。
• 探索深度学习技术是否能有效区分即时粒子与长寿命粒子的能量沉积模式。
• 评估CNN在包含长寿命粒子的现实新物理场景中检测位移喷射的表现。
• 为提升大型强子对撞机（LHC）上标准模型之外物理搜索的灵敏度，提供一种数据驱动的方法。

提出的方法

• 本研究采用卷积神经网络（CNNs）分析量能器中能量沉积的空间模式。
• 输入数据由模拟的探测器图像组成，代表即时粒子和长寿命粒子衰变为位移喷射时的能量沉积。
• CNN经过训练，根据能量沉积的形态将事件分类为即时或长寿命粒子衰变。
• 该方法利用CNN的层次化特征提取能力，检测喷发模式中细微的空间差异。
• 该方法在预测会产生位移喷射的长寿命粒子的基准模型上进行了验证。

实验结果

研究问题

• RQ1 CNN能否有效区分LHC量能器中即时粒子与长寿命粒子的能量沉积模式？
• RQ2 与传统分析方法相比，CNN在识别长寿命粒子产生的位移喷射方面表现如何？
• RQ3 在包含长寿命粒子的真实新物理场景中，CNN的区分能力如何？
• RQ4 深度学习在多大程度上可减少长寿命粒子搜索中的本底污染？

主要发现

• CNN能够基于量能器中能量沉积的空间分布，成功区分即时粒子与长寿命粒子的信号。
• 该方法在识别位移喷射方面表现出高区分能力，而位移喷射是新物理模型中长寿命粒子的关键信号。
• 研究证实，CNN能够检测到传统分析方法难以察觉的喷发模式中细微的形态差异。
• 结果表明，深度学习技术可显著提升LHC上新物理搜索的灵敏度。