[论文解读] Playing Tag with ANN: Boosted Top Identification with Pattern Recognition

Leandro G. Almeida, Mihailo Backović+3 more|arXiv (Cornell University)|Jan 23, 2015

Particle physics theoretical and experimental studies参考文献 38被引用 20

一句话总结

该论文提出了一种基于人工神经网络（ANN）的新型顶夸克探测算法，通过将强子量能器中的能量沉积视为数字图像，实现模式识别。该ANN在pT = 1100–1200 GeV的喷注中实现了60%的顶夸克标签效率，误标签率仅为4%，通过端到端学习复杂能量沉积模式，优于传统喷注子结构方法。

ABSTRACT

Many searches for physics beyond the Standard Model at the Large Hadron Collider (LHC) rely on top tagging algorithms, which discriminate between boosted hadronic top quarks and the much more common jets initiated by light quarks and gluons. We note that the hadronic calorimeter (HCAL) effectively takes a "digital image" of each jet, with pixel intensities given by energy deposits in individual HCAL cells. Viewed in this way, top tagging becomes a canonical pattern recognition problem. With this motivation, we present a novel top tagging algorithm based on an Artificial Neural Network (ANN), one of the most popular approaches to pattern recognition. The ANN is trained on a large sample of boosted tops and light quark/gluon jets, and is then applied to independent test samples. The ANN tagger demonstrated excellent performance in a Monte Carlo study: for example, for jets with p_T in the 1100-1200 GeV range, 60% top-tag efficiency can be achieved with a 4% mis-tag rate. We discuss the physical features of the jets identified by the ANN tagger as the most important for classification, as well as correlations between the ANN tagger and some of the familiar top-tagging observables and algorithms.

研究动机与目标

• 通过利用强子量能器数据的模式识别，提升大型强子对撞机（LHC）中高能顶夸克的识别能力。
• 解决经典喷注子结构方法在区分高度准直的顶夸克衰变与QCD喷注方面的局限性。
• 开发一种基于人工神经网络（ANN）的端到端学习方法，直接将原始量能器能量沉积映射为顶夸克标签决策。
• 将该ANN标签器与成熟的顶夸克标签算法（如TOM、N-子结构不透明度和ATLAS标签器）进行基准对比。
• 分析对分类最为关键的物理特征，并理解其与传统可观测量之间的关联。

提出的方法

• 将每个喷注的强子量能器（HCAL）单元中的能量沉积视为二维数字图像中的像素强度。
• 使用大规模蒙特卡洛样本训练人工神经网络（ANN），输入为类似图像的HCAL数据，样本包含高能顶夸克和轻夸克/胶子喷注。
• 该网络从原始能量沉积中学习分层特征，无需依赖人工设计的喷注子结构可观测量。
• 在独立测试样本上评估网络性能，以顶夸克标签效率和误标签率作为衡量指标。
• 将性能与标准顶夸克标签方法（包括模板重叠法TOM、N-子结构不透明度和ATLAS顶夸克标签器）进行比较。
• 分析特征重要性，识别对分类决策影响最大的量能器单元能量沉积模式。

实验结果

研究问题

• RQ1 在原始量能器能量沉积数据上训练的深度学习模型，是否能在识别高能顶夸克方面超越传统喷注子结构可观测量？
• RQ2 在喷注能量沉积模式中，哪些物理特征对ANN区分顶夸克与QCD喷注最为关键？
• RQ3 该ANN标签器的性能与TOM、N-子结构不透明度和ATLAS标签器等成熟顶夸克标签算法相比如何？
• RQ4 该ANN标签器的预测结果与传统顶夸克标签可观测量之间的相关性有多大？
• RQ5 从类似图像的量能器数据进行端到端学习，是否能带来高能物理中更鲁棒、更高效的顶夸克标签？

主要发现

• 对于横动量在1100–1200 GeV范围的喷注，该ANN标签器实现了60%的顶夸克标签效率，误标签率仅为4%，性能表现优异。
• 该网络能够识别出强子衰变顶夸克的典型三喷注能量沉积模式，即使在存在QCD辐射的情况下也具备识别能力。
• 在固定误标签率下，该模型在信号效率方面优于传统方法，如N-子结构不透明度和ATLAS标签器。
• 对分类最重要的特征是与三体衰变一致的局域能量沉积，特别是对应于顶夸克三个衰变产物的区域。
• 该ANN的预测结果与N-子结构不透明度比值τ3/τ2具有强相关性，验证了其对喷注结构的敏感性。
• 该方法对探测器级效应表现出鲁棒性，并为喷注子结构中的模式识别提供了一种可推广的框架。