[论文解读] Reconstruction of decays to merged photons using end-to-end deep learning with domain continuation in the CMS detector

Tumasyan, A., Adam, W.+2339 more|arXiv (Cornell University)|Jan 1, 2022

Particle physics theoretical and experimental studies被引用 9

一句话总结

本文提出一种端到端深度学习方法，用于在CMS探测器中重建高度洛伦兹Boost的二价光子衰变，利用域延续技术实现仪器合并光子的不变质量重建——此前传统粒子流方法无法实现。该方法在真实LHC数据上验证，对π⁰ → γγ衰变的敏感度优于基准算法。

ABSTRACT

A novel technique based on machine learning is introduced to reconstruct the decays of highly Lorentz-boosted particles. Using an end-to-end deep learning strategy, the technique bypasses existing rule-based particle reconstruction methods typically used in high energy physics analyses. It uses minimally processed detector data as input and directly outputs particle properties of interest. The new technique is demonstrated for the reconstruction of the invariant mass of particles decaying in the CMS detector. The decay of a hypothetical scalar particle $\mathcal{A}$ into two photons, $\mathcal{A} o\gamma\gamma$, is chosen as a benchmark decay. Lorentz boosts $\gamma_\mathrm{L}$ = 60-600 are considered, ranging from regimes where both photons are resolved to those where the photons are closely merged as one object. A training method using domain continuation is introduced, enabling the invariant mass reconstruction of unresolved photon pairs in a novel way. The new technique is validated using $\pi^0 o$gg decays in LHC collision data.

研究动机与目标

• 解决由于探测器分辨率限制导致衰变产物合并时高度洛伦兹Boost粒子衰变的重建挑战。
• 克服传统粒子流算法在仪器合并区域失效的局限性。
• 开发一种基于机器学习的重建方法，直接将最小处理的探测器数据映射到粒子性质（如不变质量）。
• 使用已知的π⁰ → γγ衰变作为基准，在真实LHC数据上验证该方法。
• 证明在光子完全合并于单个量能器单元内的区域重建不变质量的可行性。

提出的方法

• 直接在最小处理的探测器数据（如ECAL能量沉积）上端到端训练深度学习模型，无需中间基于规则的重建。
• 使用单一深度神经网络回归器，从原始探测器输入预测A → γγ衰变的不变质量。
• 引入域延续：将训练域扩展至探测器分辨率以下的非物理质量，以学习合并簇射中细微的能量分布差异。
• 在验证中采用3×3聚类算法作为解析低能π⁰ → γγ衰变的基线方法。
• 在模拟的A → γγ衰变数据上训练模型，质量范围为0.1–1.0 GeV，光子洛伦兹因子γL为60–600。
• 在真实2017年LHC碰撞数据上验证性能，与标准粒子流和3×3聚类方法进行对比。

实验结果

研究问题

• RQ1 当光子在CMS ECAL中仪器合并时，端到端深度学习能否重建A → γγ衰变的不变质量？
• RQ2 域延续如何使模型学习到低于探测器分辨率极限的不变质量？
• RQ3 在光子合并区域，该方法相比传统粒子流和聚类算法的敏感度提升如何？
• RQ4 该方法能否在真实LHC数据上使用已知的π⁰ → γγ衰变进行验证？
• RQ5 在高Boost、合并区域，该方法在重建效率和分辨率方面保持程度如何？

主要发现

• 所提出的端到端深度学习模型在广泛Boost范围（γL = 60–600）内成功重建了A → γγ衰变的不变质量，包括光子完全合并于单个量能器单元内的区域。
• 域延续使模型能够学习合并光子簇射中细微的能量沉积模式差异，从而实现低于探测器分辨率的不变质量重建。
• 该方法在标准粒子流和3×3聚类算法基础上实现了显著的敏感度提升，尤其在未解析和光子合并区域。
• 在真实2017年LHC数据上使用π⁰ → γγ衰变的验证确认了该方法的鲁棒性和准确性，重建质量分辨率与或优于现有技术。
• 该模型首次在高能物理实验中成功实现了使用深度学习框架对仪器合并二价光子的不变质量重建。
• 该方法为搜索低质量、高度Boost的粒子衰变至合并末态的奇异共振态开辟了新途径。