[论文解读] Quark jet versus gluon jet: deep neural networks with high-level features

Hui Luo, Guohuai Zhu+3 more|arXiv (Cornell University)|Dec 10, 2017

Particle physics theoretical and experimental studies被引用 7

一句话总结

本文提出使用专家设计的喷注可观测量的全连接神经网络（FNNs），以区分夸克与胶子起源的喷注，在高喷注横向动量下性能可与卷积神经网络相媲美甚至更优。研究发现，仅14个关键可观测量即可捕获几乎所有相关的区分信息。

ABSTRACT

Jet identification is one of the fields in high energy physics that deep learning has begun to make some impact. More often than not, convolutional neural networks are used to classify jet images with the benefit that essentially no physics input is required. Inspired by a recent paper by Datta and Larkoski, we study the separation of quark/gluon-initiated jets based on fully-connected neural networks (FNNs), where expert-designed physical variables are taken as input. FNNs are applied in two ways: trained separately on various narrow jet transverse momentum $p_{TJ}$ bins; trained on a wide region of $p_{TJ} \in [200,~1000]$ GeV. We find their performance are almost the same, and the larger $p_{TJ}$ the better. Comparing with results from deep convolutional neural networks, our results are comparable for low $p_{TJ}$, and even slightly better than those for high $p_{TJ}$. We also test the performance of FNNs with full set or different subsets of jet observables as input features. The FNN with one subset, consisting of fourteen observables, shows nearly no degradation of performance. This indicates that these fourteen expert-designed observables may have captured most of the information useful for the separation of quark/gluon jets.

研究动机与目标

• 探究全连接神经网络（FNNs）是否能通过物理启发特征有效分类夸克与胶子起源的喷注。
• 评估在窄pT区间与宽pT范围（200–1000 GeV）上训练的FNN性能。
• 确定14个专家设计的可观测量是否能保留夸克/胶子喷注区分的大部分判别能力。
• 将使用物理启发特征的FNN性能与不依赖物理先验的卷积神经网络（CNNs）进行对比。

提出的方法

• FNNs在喷注可观测量上进行训练——即专家设计的物理变量，如喷注质量、N-子结构不透明度和能量关联函数，而非原始喷注图像。
• 模型在单个窄pT区间（如200–300 GeV、300–400 GeV等）以及合并的宽pT范围200–1000 GeV上进行训练。
• 通过分类准确率和区分能力（如AUC或类似指标）评估性能，用于区分夸克与胶子喷注。
• 通过在可观测量子集上训练FNN进行消融研究，包括14个可观测量子集，以评估特征重要性。
• 将结果与基线卷积神经网络（CNNs）进行对比，后者处理无物理先验的喷注图像。
• 研究强调了高级物理特征在降低模型复杂度的同时保持性能方面的作用。

实验结果

研究问题

• RQ1 在专家设计的喷注可观测量上训练的全连接神经网络是否能实现与卷积神经网络相媲美或更优的夸克/胶子喷注区分性能？
• RQ2 在宽pT范围（200–1000 GeV）上训练FNN是否能获得与在窄pT区间上训练相当或更优的性能？
• RQ3 14个关键可观测量中，有多少个是维持高性能分类所必需的？
• RQ4 在高pT喷注区域，FNN是否相对于CNN具有性能优势？
• RQ5 物理启发特征是否捕获了夸克/胶子区分所需的大部分相关信息？

主要发现

• 在全pT范围（200–1000 GeV）上训练的FNN性能与在窄pT区间上训练的模型几乎完全一致。
• FNN的性能随喷注横向动量增加而提升，在更高pT下表现出更好的区分能力。
• 仅使用14个专家设计可观测量的FNN与使用全部可观测量的模型相比，性能几乎无下降。
• 在高pT喷注中，FNN的性能优于或等同于使用原始喷注图像的卷积神经网络。
• 14个可观测量子集捕获了夸克/胶子喷注区分所需的大部分判别信息。
• 结果表明，高级物理特征极为有效，可能减少在喷注分类中对复杂深度学习架构的依赖。