[论文解读] Higgs tagging with the Lund jet plane

Charanjit K. Khosa, Simone Marzani|arXiv (Cornell University)|May 9, 2021

Particle physics theoretical and experimental studies被引用 4

一句话总结

本文提出了一种新颖的希格斯玻色子鉴别方法，利用Lund喷注平面将喷注生成类似图像的表示，再通过卷积神经网络（CNN）进行分类。该方法在高增强场景下优于传统的单变量QCD启发式鉴别器（如喷注颜色环），显著提升了对希格斯玻色子衰变为底夸克或轻夸克喷注与QCD背景的分离能力。

ABSTRACT

We construct a procedure to separate boosted Higgs bosons decaying into hadrons, from the background due to strong interactions. We employ the Lund jet plane to obtain a theoretically well-motivated representation of the jets of interest and we use the resulting images as the input to a convolutional neural network classifier. In particular, we consider two different decay modes of the Higgs boson, namely into a pair of bottom quarks or into light jets, against the respective backgrounds. For each case, we consider both a moderate- and high- boost scenario. The performance of the tagger is compared to what is achieved using a traditional single-variable analysis which exploits a QCD inspired color-singlet tagger, namely the jet color ring observable. Furthermore, we study the dependence of the tagger's performance on the requirement that the invariant mass of the selected jets should be close to the Higgs mass.

研究动机与目标

• 开发一种针对高能环境中强QCD背景下强子衰变的增强希格斯玻色子的鲁棒鉴别方法。
• 利用理论上合理的Lund喷注平面表示，增强用于机器学习分类的喷注图像特征。
• 将基于CNN的鉴别器性能与传统单变量技术（如喷注颜色环可观测量）进行比较。
• 评估对选定喷注的不变质量需接近希格斯玻色子质量这一约束条件对鉴别效率的影响。

提出的方法

• 使用Lund喷注平面将喷注的角分布与动量结构映射为二维图像表示，以捕捉部分子的层次分裂模式。
• 将这些喷注图像输入卷积神经网络（CNN），该网络经过训练以区分希格斯衰变喷注与QCD背景喷注。
• 该方法应用于两种衰变模式：H → bb̄ 和 H → qq̄，覆盖中等增强与高增强两种情形。
• 性能通过传统单变量分析（使用喷注颜色环可观测量，一种QCD启发的单色胶子态鉴别器）进行基准测试。
• 研究评估了对重建喷注不变质量必须接近希格斯玻色子质量的约束条件对鉴别器性能的影响。

实验结果

研究问题

• RQ1 与传统单变量可观测量相比，Lund喷注平面表示是否能提升希格斯玻色子鉴别性能？
• RQ2 在高增强条件下，基于CNN的鉴别器在区分底夸克衰变的希格斯玻色子与QCD背景方面表现如何？
• RQ3 对选定喷注的不变质量施加约束是否能增强鉴别器识别真实希格斯衰变的能力？
• RQ4 在不同增强水平和衰变模式下，基于CNN的鉴别器与喷注颜色环可观测量的性能相比如何？

主要发现

• 基于Lund喷注平面图像的CNN鉴别器在中等和高增强场景下，性能均优于传统的喷注颜色环可观测量。
• 该方法在高增强区域对底夸克和轻夸克衰变的希格斯玻色子表现出更强的敏感性，而传统方法在此区域表现较差。
• 要求重建喷注的不变质量接近希格斯玻色子质量可显著提升信号与背景的分离效果，尤其在与CNN分类器结合时效果更佳。
• Lund喷注平面提供了一种理论基础坚实且信息丰富的表示方式，能有效编码喷注子结构以供深度学习模型使用。