[论文解读] Identification of hadronic tau lepton decays using a deep neural network

CMS Collaboration|arXiv (Cornell University)|Jan 20, 2022

Particle Detector Development and Performance被引用 4

一句话总结

本文提出 DeepTau，一种基于深度神经网络（DNN）的算法，通过在伪快度-方位角（η-φ）空间中处理候选粒子附近的全部重建粒子，利用卷积层提升 CMS 探测器中强子衰变 τ 轻子（强子 τ 候选）的识别能力。该方法在给定背景拒绝率下，使真实 τ 信号效率提升 10–30%，同时将重建范围扩展至此前排除的衰变模式，如包含 π⁰ 介子的三喷胶衰变及重建不佳的带电强子衰变。

ABSTRACT

A new algorithm is presented to discriminate reconstructed hadronic decays of tau leptons ($τ_\mathrm{h}$) that originate from genuine tau leptons in the CMS detector against $τ_\mathrm{h}$ candidates that originate from quark or gluon jets, electrons, or muons. The algorithm inputs information from all reconstructed particles in the vicinity of a $τ_\mathrm{h}$ candidate and employs a deep neural network with convolutional layers to efficiently process the inputs. This algorithm leads to a significantly improved performance compared with the previously used one. For example, the efficiency for a genuine $τ_\mathrm{h}$ to pass the discriminator against jets increases by 10-30% for a given efficiency for quark and gluon jets. Furthermore, a more efficient $τ_\mathrm{h}$ reconstruction is introduced that incorporates additional hadronic decay modes. The superior performance of the new algorithm to discriminate against jets, electrons, and muons and the improved $τ_\mathrm{h}$ reconstruction method are validated with LHC proton-proton collision data at $\sqrt{s} =$ 13 TeV.

研究动机与目标

• 提升在 LHC 质子-质子对撞中对真实强子 τ 衰变（τh）与背景源（如夸克/胶子喷胶、电子和μ子）的区分能力。
• 解决以往多变量分析（MVA）和基于阈值的判别器的局限性，这些方法对喷胶、电子和μ子分别处理，且仅使用高层次输入变量。
• 通过包含更多 τh 衰变模式（如包含 π⁰ 介子的三喷胶衰变和部分重建的带电强子）提升重建效率。
• 开发一种统一的、端到端的深度学习框架，通过空间不变的卷积处理，同时对所有主要背景源进行 τh 候选分类。
• 使用 13 TeV LHC 质子-质子对撞数据验证新算法的性能，证明其在信号效率和背景拒绝能力方面表现更优。

提出的方法

• 采用带有卷积层的深度神经网络（DNN），在伪快度-方位角（η-φ）空间中处理 τh 候选附近的所有重建粒子，利用平移不变性。
• 输入特征包括高层次变量（如横向动量之和）和所有靠近 τh 轴的粒子的原始粒子级信息（如 pT、η、φ、电荷）。
• 使用二维卷积层从粒子的 η-φ 分布中提取局部模式，模仿图像识别技术以学习空间特征。
• 通过联合分类目标训练 DNN，同时将 τh 候选与喷胶、电子和 μ 子区分开。
• 将 DNN 集成到新的重建链中，涵盖包含 π⁰ 介子的三喷胶 τh 衰变（占总 τh 衰变的 7.4%）以及一个带电强子未被重建为轨迹或强子的情况。
• 在真实 13 TeV LHC 数据验证前，使用模拟事件优化网络架构和训练流程。

Figure 1: Decay mode confusion matrix. For a given generated decay mode, the fractions of reconstructed \tauh in different decay modes are given, as well as the fraction of generated \tauh that are not reconstructed. Both the generated and reconstructed \tauh need to fulfil $\pt>20\GeV$ and $\abs{\e

实验结果

研究问题

• RQ1 与以往对喷胶、电子和 μ 子分别处理的独立判别器相比，统一的深度神经网络能否提升强子 τ 衰变的识别效率？
• RQ2 通过在 η-φ 空间中使用卷积层处理所有邻近重建粒子，对背景源的区分能力提升程度如何？
• RQ3 新重建方法包含此前被排除的 τh 衰变模式后，对 τh 识别的整体效率和纯度有何影响？
• RQ4 在固定背景拒绝率下，与基于 MVA 的旧方法相比，基于 DNN 的 DeepTau 算法在信号效率方面提升了多少？
• RQ5 该新算法在 √s = 13 TeV 的真实 LHC 对撞数据上是否保持鲁棒性和一致性？

主要发现

• 与先前基于 MVA 的判别器相比，DeepTau 算法在给定的夸克和胶子喷胶拒绝率下，使真实强子 τ 轻子效率提升 10–30%。
• 由于能够从密集粒子输入中学习复杂非线性模式，基于 DNN 的方法在所有类别（包括电子和 μ 子）的背景拒绝性能上均有显著提升。
• 包含包含 π⁰ 介子的三喷胶 τh 衰变及部分重建的带电强子，通过恢复此前遗漏的衰变模式，显著提升了整体重建效率。
• 该算法在真实 13 TeV 质子-质子对撞数据上的性能得到验证，证实其在真实实验条件下优于传统方法的鲁棒性和优越性。
• 在邻近粒子的 η-φ 图像上使用卷积层，使网络能比传统基于高层次变量的方法更有效地捕捉 τh 衰变的拓扑特征。
• DeepTau 算法现已部署于 CMS 分析链中，显著提升了涉及强子 τ 衰变的 Higgs 玻色子和新物理搜索的灵敏度。

Figure 2: Layout of the grids in $\eta$ - $\phi$ space around the reconstructed \tauh axis used to process the particle-level inputs for the convolutional layers of the DNN. The inner grid comprises $11{\times}11$ cells with a grid size of $0.02{\times}0.02$ and contains the signal cone with a radiu