[论文解读] Machine learning approach for the search of resonances with topological features at the Large Hadron Collider

S. Dahbi, Joshua Choma+5 more|arXiv (Cornell University)|Nov 19, 2020

Particle physics theoretical and experimental studies参考文献 72被引用 5

一句话总结

本文提出了一种新颖的机器学习方法，通过结合弱监督与基于拓扑的分类方法，利用深度神经网络在大型强子对撞机（LHC）上搜索新物理共振态。该方法通过利用拓扑特征（如喷注数量、轻子计数和向量玻色子融合拓扑结构）在高维相空间中高效识别微弱的共振信号，同时最大限度减少对模拟本底的依赖，在隔离标准模型（SM）希格斯玻色子衰变至光子的多种产生模式方面表现出色。

ABSTRACT

The observation of resonances is unequivocal evidence of new physics beyond the Standard Model at the Large Hadron Collider (LHC). So far, inclusive and model dependent searches have not provided evidence of new resonances, indicating that these could be driven by subtle topologies. Here, we use machine learning techniques based on weak supervision to perform searches. Weak supervision based on mixed samples can be used to search for resonances with little or no prior knowledge on the production mechanism. Also, it offers the advantage that sidebands or control regions can be used to effectively model backgrounds with minimal reliance on simulations. However, weak supervision alone is found to be highly inefficient in identifying corners of the multi-dimensional space of interest. Instead, we propose an approach to search for new resonances that involves a classification procedure that is signature and topology based. A combination of weak supervision with Deep Neural Network algorithms are applied following this classification. The performance of this strategy is evaluated on the production of SM Higgs boson decaying to a pair of photons inclusively and in exclusive regions of phase space tailored for specific production modes at the LHC. After verifying the ability of the methodology to extract different SM Higgs boson signal mechanisms, a search for new phenomena in high-mass final states is setup for the LHC.

研究动机与目标

• 解决检测具有非传统拓扑结构的新物理共振态的挑战，这些共振态会逃避标准模型搜索方法的探测。
• 通过使用弱监督结合边带区域或控制区域，减少对模拟本底模型的依赖。
• 在传统包容性搜索失效的高维相空间中提升探测灵敏度。
• 以标准模型（SM）希格斯玻色子衰变至光子的产生模式为概念验证，验证该方法的有效性。
• 为未来大型强子对撞机（LHC）上的共振态搜索开发一种具备拓扑感知能力、基于信号特征的搜索策略。

提出的方法

• 使用混合信号与本底样本进行弱监督训练，以构建分类器，而无需对信号产生机制进行完整标注。
• 将拓扑特征（如b打标签喷注数量、轻子计数和向量玻色子融合拓扑结构）作为输入，以引导分类过程。
• 采用深度神经网络（DNNs）在高维相空间中学习复杂且非线性的决策边界。
• 整合边带区域以有效建模本底，从而减少对蒙特卡洛模拟的依赖。
• 在应用弱监督前，基于事件的拓扑结构进行分类，以提高信号效率。
• 在不同相空间区域中，对标准模型（SM）希格斯玻色子衰变至光子（ggF、VBF、Wh、Zh、t¯th）的模式进行方法验证。

实验结果

研究问题

• RQ1 弱监督结合基于拓扑的分类方法是否能够有效检测高维相空间中的微弱共振信号？
• RQ2 该方法在区分具有不同拓扑结构的SM希格斯玻色子产生模式方面的有效性如何？
• RQ3 边带区域在多大程度上可以替代完整模拟来实现共振搜索中的本底建模？
• RQ4 与标准弱监督相比，引入拓扑特征是否能显著提升信号效率？
• RQ5 该框架是否可推广至标准模型以外的新物理搜索？

主要发现

• 该方法成功识别并分离了在不同专属相空间区域中衰变至光子的标准模型（SM）希格斯玻色子产生模式（ggF、VBF、Wh、Zh、t¯th）。
• 对于主导的ggF模式，受试者工作特征曲线下面积（AUC）达到0.961，即使信号产率降低至ggF的25%，AUC值仍保持在0.946以上。
• 发现仅使用弱监督在高维相空间中效率较低，但引入基于拓扑的分类方法可显著提升性能。
• 该方法在低本底抑制水平下仍保持超过90%的信号效率，表明对微弱拓扑结构具有强敏感性。
• 该方法对不同信号产率具有鲁棒性，在不同ggF信号速率比例下均表现出一致的性能。
• 该框架通过使用边带区域实现了有效的本底建模，显著降低了对模拟信号与本底样本的依赖。