[论文解读] MACRIB High efficiency - high purity hadron identification for DELPHI

Z. Albrecht, Michael Feindt+2 more|ArXiv.org|Nov 26, 2001

Particle physics theoretical and experimental studies被引用 7

一句话总结

该论文提出了一种基于神经网络的粒子识别系统MACRIB，用于DELPHI实验，结合RICH探测器数据、TPC的dE/dx测量值以及顶点探测器的dE/dx信息，显著提升了奇异夸克和质子的标记效率与纯度。通过整合RIBMEAN和HADSIGN的输出，并引入额外的探测器输入，MACRIB在相同纯度水平下相比HADSIGN将标记效率提升至4倍，相比RIBMEAN在相同背景水平下效率提升56%。

ABSTRACT

Analysis of the data shows that hadron tags of the two standard DELPHI particle identification packages RIBMEAN and HADSIGN are weakly correlated. This led to the idea of constructing a neural network for both kaon and proton identification using as input the existing tags from RIBMEAN and HADSIGN, as well as preproccessed TPC and RICH detector measurements together with additional dE/dx information from the DELPHI vertex detector. It will be shown in this note that the net output is much more efficient at the same purity than the HADSIGN or RIBMEAN tags alone. We present an easy-to-use routine performing the necessary calculations.

研究动机与目标

• 解决DELPHI中现有RIBMEAN与HADSIGN粒子识别算法之间弱相关性与性能不一致的问题。
• 在高多重性和高背景环境下提升强子识别的效率与纯度，特别是在单个探测器失效的动量区域。
• 利用顶点探测器的dE/dx信息与组合RICH信号，提升粒子分离能力，超越单一算法的性能极限。
• 开发一个统一、易于使用的软件模块（MACRIB），整合多种探测器输入，并输出针对奇异夸克和质子识别优化的神经网络评分。

提出的方法

• 使用RIBMEAN和HADSIGN标签、预处理后的TPC和RICH测量值以及顶点探测器dE/dx数据作为输入，训练前馈反向传播神经网络。
• 训练三个独立网络：一个用于p > 0.7 GeV且使用完整RICH信息，一个用于p > 0.7 GeV但仅使用气体RICH信息，一个用于p ≤ 0.7 GeV，使用TPC和顶点探测器dE/dx数据。
• 网络在蒙特卡罗数据上进行训练，由于模拟限制，针对含液态辐射体信息与不含液态辐射体信息的数据分别使用独立的训练集。
• 最终网络输出为-1至1之间的实数值，接近1的值表示对奇异夸克或质子识别具有高置信度，-1表示未识别。
• 实现了一个独立的C++程序模块MACRIB，并将其集成到BSAURUS软件框架中，用于物理分析。
• 该模块设计为按事件调用，输入为特定轨迹信息，返回针对奇异夸克和质子识别优化的网络输出。

实验结果

研究问题

• RQ1 神经网络能否有效整合多种粒子识别输入，从而在强子识别中超越RIBMEAN和HADSIGN等单一算法？
• RQ2 顶点探测器dE/dx信息的整合在低动量和高多重性区域如何提升粒子识别性能？
• RQ3 神经网络在多大程度上减少了RIBMEAN与HADSIGN在环形寻找与背景建模策略上的不一致性和低效性？
• RQ4 在Φ → K⁺K⁻和Λ → pπ等不同衰变道中，采用联合网络方法可实现的标记效率与纯度增益有多大？
• RQ5 当探测器配置不同时（如具备或不具液态RICH功能），神经网络的性能表现如何变化？

主要发现

• 在相同背景水平下，MACRIB使用相同紧致奇异夸克标签识别的Φ介子比RIBMEAN多56%，纯度从约60%提升至约70%。
• 在相同纯度水平下，MACRIB对Φ介子的标记效率约为RIBMEAN的两倍。
• 在Λ → pπ衰变道中，MACRIB在相同纯度下实现的标记效率是HADSIGN的四倍，性能提升显著。
• 对于Dₛ → K* K衰变，MACRIB在1994–1995年数据中效率比RIBMEAN提升33%，在1992–1993年数据中提升达100%，且在相同纯度下表现更优。
• 神经网络输出具有良好的鲁棒性与校准性，蒙特卡罗模拟中因训练数据理想化条件导致的冗余极少。
• MACRIB软件模块已成功集成至BSAURUS框架，为DELPHI实验提供了标准化、高性能的奇异夸克与质子识别方法。