[论文解读] Identifying the Quantum Properties of Hadronic Resonances using Machine Learning

Jakub Filipek, S.‐C. Hsu+3 more|arXiv (Cornell University)|May 10, 2021

Particle physics theoretical and experimental studies参考文献 87被引用 5

一句话总结

本文提出在喷注图像上使用卷积神经网络（CNNs）以识别大型强子对撞机（LHC）中强子共振态的量子数——特别是自旋和色荷表示。通过利用喷注中完整的辐射模式，该方法显著优于传统子结构技术，尤其在区分色单重态与八重态共振态以及不同自旋态方面表现优异，其中经过对数变换和 $l_1$-归一化的喷注图像在分类任务中表现最优。

ABSTRACT

With the great promise of deep learning, discoveries of new particles at the Large Hadron Collider (LHC) may be imminent. Following the discovery of a new Beyond the Standard model particle in an all-hadronic channel, deep learning can also be used to identify its quantum numbers. Convolutional neural networks (CNNs) using jet-images can significantly improve upon existing techniques to identify the quantum chromodynamic (QCD) (`color') as well as the spin of a two-prong resonance using its substructure. Additionally, jet-images are useful in determining what information in the jet radiation pattern is useful for classification, which could inspire future taggers. These techniques improve the categorization of new particles and are an important addition to the growing jet substructure toolkit, for searches and measurements at the LHC now and in the future.

研究动机与目标

• 开发一种深度学习方法，用于识别大型强子对撞机中强子衰变共振态的量子数（自旋、色荷）。
• 通过利用喷注辐射模式中的全部信息，改进传统子结构技术。
• 评估卷积神经网络在喷注图像上对具有相同末态但不同量子数的多种新物理共振态模型的区分性能。
• 研究预处理和喷注梳理对分类性能的影响。
• 通过可视化识别对分类最具信息量的喷注辐射模式特征，提升模型可解释性。

提出的方法

• 使用 $65 \times 65$ 像素网格从模拟的强子衰变事件中生成喷注图像，以表征探测器中的能量沉积。
• 通过旋转、对数变换和 $l_1$ 归一化对图像进行预处理，以增强模型的泛化能力和性能。
• 训练一个二维卷积神经网络（CNN），基于其喷注图像子结构对共振态进行分类，输入特征捕捉空间分布与能量分布模式。
• 使用成对分类任务对基准新物理共振态（$Z'$、色子（$C_\mu$）、希格斯样（$H$）、激发夸克（$q^*$）等）进行模型训练与评估。
• 通过在真阳性率（TPR）为 0.5 时的误报率（FPR）衡量性能，并开展关于预处理和梳理的消融研究。
• 通过可视化学习到的卷积核滤波器与注意力图，增强模型可解释性，识别与分类相关的辐射模式。

实验结果

研究问题

• RQ1 在区分具有不同量子数的强子共振态方面，基于喷注图像的深度学习是否显著优于传统子结构可观测量？
• RQ2 哪些预处理步骤（归一化、对数变换、旋转）对量子数识别的分类性能提升最为显著？
• RQ3 喷注梳理（如修剪）如何影响CNN区分仅在色表示上不同的共振态的能力？
• RQ4 喷注辐射模式中的哪些特征对识别自旋和色荷量子数最具信息量？
• RQ5 CNN在不同共振态类型之间（包括末态相同但量子数不同的情况）的泛化能力如何？

主要发现

• 当区分色单重态 $Z'$ 与色八重态色子（$C_\mu$）时，CNN 模型在真阳性率（TPR）为 0.5 时的误报率（FPR）达到 0.12，显著优于传统方法。
• 对喷注图像进行对数变换并应用 $l_1$ 归一化后，FPR 降低至 0.12，优于 $l_2$、Z-score 和最小-最大归一化方法。
• 喷注图像的旋转对性能无显著影响，表明模型能自然学习到方向不变性。
• 与未修剪喷注相比，修剪喷注（移除 $p_T$ 分数低于 5% 的次结构）提升了CNN的性能，表明梳理可增强对细微差异的特征学习能力。
• 该模型成功区分了不同自旋（如自旋-0 希格斯样与自旋-1 $Z'$）和色表示的共振态，尽管其准确率低于对末态的区分。
• 可视化结果表明，CNN 学会检测出与色流相关的角相关性与辐射模式，尤其在区分单重态与八重态衰变方面表现突出。