[论文解读] Jet tagging in the Lund plane with graph networks

Frédéric A. Dreyer, H. Qu|arXiv (Cornell University)|Dec 15, 2020

Particle physics theoretical and experimental studies参考文献 60被引用 4

一句话总结

该论文提出LundNet，一种基于图神经网络的喷注分类方法，通过喷注的Lund平面聚类历史进行表征，利用成对辐射的运动学特征以提升顶夸克和W玻色子分类的性能。该方法在保持训练时间减少一个数量级的同时，实现了最先进水平的性能表现——尤其在顶夸克分类方面表现突出，并通过Lund平面上的运动学截断增强了对非微扰效应的鲁棒性。

ABSTRACT

The identification of boosted heavy particles such as top quarks or vector bosons is one of the key problems arising in experimental studies at the Large Hadron Collider. In this article, we introduce LundNet, a novel jet tagging method which relies on graph neural networks and an efficient description of the radiation patterns within a jet to optimally disentangle signatures of boosted objects from background events. We apply this framework to a number of different benchmarks, showing significantly improved performance for top tagging compared to existing state-of-the-art algorithms. We study the robustness of the LundNet taggers to non-perturbative and detector effects, and show how kinematic cuts in the Lund plane can mitigate overfitting of the neural network to model-dependent contributions. Finally, we consider the computational complexity of this method and its scaling as a function of kinematic Lund plane cuts, showing an order of magnitude improvement in speed over previous graph-based taggers.

研究动机与目标

• 开发一种鲁棒且高性能的喷注分类方法，用于在大型强子对撞机（LHC）上识别如顶夸克和W玻色子等高能重粒子。
• 通过减轻对训练数据中模型依赖的蒙特卡罗效应的依赖，解决基于深度学习的分类器存在的过拟合问题。
• 通过利用Lund平面上喷注聚类的层次结构，提升计算效率，实现更快的训练与推理速度。
• 通过在Lund平面上引入运动学截断，提升对真实实验数据的泛化能力，抑制非微扰贡献。
• 提供一种可扩展、可解释的喷注子结构分析框架，基于图神经网络并仅使用最少的运动学输入。

提出的方法

• 将每个喷注表示为图结构，其中节点对应于CA聚类树中的Lund去聚类过程，节点特征为运动学特征（Δ 和 kt）。
• 使用图卷积网络（GCNs）在喷注聚类的层次结构上传播信息，实现有效的子结构学习。
• 在Lund平面上施加kt截断，以去除低kt辐射，从而减小图的规模并提升对非微扰效应和探测器模糊效应的鲁棒性。
• 训练两种变体：LundNet-3（三维输入：Δ、kt 和喷注质量）与LundNet-5（五维输入：额外增加z和θ变量），以比较性能与复杂度的权衡。
• 采用消息传递架构，利用Lund分解的树状结构，高效地在节点间传播信息。
• 通过避免最近邻搜索并限制每个节点的边数，显著降低计算成本，使训练与推理速度相比先前基于图的分类器提升约10倍。

实验结果

研究问题

• RQ1 将图神经网络应用于喷注的Lund平面表征，是否能在顶夸克和W玻色子分类任务中超越现有最先进方法？
• RQ2 在Lund平面上引入运动学截断，如何影响基于图的喷注分类器对非微扰效应和探测器效应的鲁棒性？
• RQ3 在简化运动学输入（如LundNet-3）的情况下，能在多大程度上保持高性能，同时降低对蒙特卡罗训练数据中模型依赖特征的敏感性？
• RQ4 训练与推理时间随Lund去聚类数量的缩放行为如何？是否可通过运动学过滤实现优化？
• RQ5 该基于图的框架能否在不牺牲分类性能的前提下，显著快于先前的基于图的分类器？

主要发现

• 在pt > 500 GeV条件下，LundNet-5在顶夸克分类中达到AUC 0.987，优于ParticleNet（AUC 0.983），并在高信号效率下显著提升了背景排斥能力。
• 在εS = 0.5时，LundNet-5实现609.8的背景排斥率，优于LundNet-3的500.0和ParticleNet的480.8。
• 在pt > 2 TeV条件下，W玻色子分类中，LundNet-5在εS = 0.5时实现12,500的背景排斥率，优于ParticleNet的8,333.3。
• 每喷注的推理时间与Lund去聚类数量呈线性关系，通过kt截断可将时间减少一个数量级，当前实现中每喷注的预处理成本为4.3 ms。
• LundNet-3在仅使用三维输入（Δ、kt、喷注质量）的情况下，实现与ParticleNet相当的性能（AUC 0.904），在夸克/胶子区分任务中表现出高效率，证明了最小运动学输入的高效性。
• 在Lund平面上施加kt截断可减少对非微扰效应的过拟合，提升泛化能力，证实运动学过滤可在不损失性能的前提下增强鲁棒性。