[论文解读] Secondary Vertex Reconstruction with MaskFormers

Samuel van Stroud, Nikita Ivvan Pond+5 more|arXiv (Cornell University)|Dec 19, 2023

Generative Adversarial Networks and Image Synthesis被引用 1

一句话总结

本文提出了一种新颖的端到端机器学习方法，用于高能物理中的次级顶点重建，采用基于Transformer的实例分割模型MaskFormer。通过直接从无序轨迹中预测多个带有拟合属性的顶点，该方法在顶点寻找效率上比最先进方法高出10%，并在集成到风味标签管道后，实现了70% b-夸克喷注效率下轻子喷注拒收率提升50%、c-夸克喷注拒收率提升15%。

ABSTRACT

In high-energy particle collisions, the reconstruction of secondary vertices from heavy-flavour hadron decays is crucial for identifying and studying jets initiated by $b$- or $c$-quarks. Traditional methods, while effective, require extensive manual optimisation and struggle to perform consistently across wide regions of phase space. Meanwhile, recent advancements in machine learning have improved performance but are unable to fully reconstruct multiple vertices. In this work we propose a novel approach to secondary vertex reconstruction based on recent advancements in object detection and computer vision. Our method directly predicts the presence and properties of an arbitrary number of vertices in a single model. This approach overcomes the limitations of existing techniques. Applied to simulated proton-proton collision events, our approach demonstrates significant improvements in vertex finding efficiency, achieving a 10% improvement over an existing state-of-the-art method. Moreover, it enables vertex fitting, providing accurate estimates of key vertex properties such as transverse momentum, radial flight distance, and angular displacement from the jet axis. When integrated into a flavour tagging pipeline, our method yields a 50% improvement in light-jet rejection and a 15% improvement in $c$-jet rejection at a $b$-jet selection efficiency of 70%. These results demonstrate the potential of adapting advanced object detection techniques for particle physics, and pave the way for more powerful and flexible reconstruction tools in high-energy physics experiments.

研究动机与目标

• 解决传统及现有基于机器学习的顶点重建方法存在的局限性，即需要人工调参且无法完整拟合多个顶点。
• 通过单一深度学习模型实现端到端、可扩展且一致的喷注内多个次级顶点的重建。
• 通过利用包括横动量、径向飞行距离和角度位移在内的完整顶点拟合属性，提升风味标签性能。
• 展示将计算机视觉中的先进目标检测架构应用于复杂粒子物理重建任务的可行性。

提出的方法

• 该方法采用MaskFormer，一种基于Transformer的实例分割模型，经适配后用于粒子物理中的轨迹重建。
• 输入为模拟的质子-质子碰撞中无序的带电粒子轨迹集合。
• 模型预测任意数量的顶点，每个顶点包含类别标签、拟合属性（pT, Lxy, dR）及轨迹分配。
• 通过回归头端到端地从预测的顶点掩码及其关联轨迹中回归关键运动学属性，完成顶点拟合。
• 该架构在带有真实顶点标签和属性的模拟事件上进行端到端训练。
• 将模型集成到风味标签管道中，替代最先进算法中的顶点重建步骤。

实验结果

研究问题

• RQ1 基于实例分割的深度学习模型能否以高效率和高精度有效重建喷注中的多个次级顶点？
• RQ2 与传统或现有基于机器学习的顶点重建方法相比，使用MaskFormer实现端到端顶点查找与拟合在效率和误报率方面表现如何？
• RQ3 完整顶点重建（包括拟合属性）在多大程度上提升了后续的风味标签性能？
• RQ4 该模型是否能在无需人工优化的情况下泛化至相空间的不同区域？
• RQ5 包含顶点属性回归的模型如何在简单顶点检测之外进一步提升喷注风味分类性能？

主要发现

• 所提方法在顶点寻找效率上相比最先进基线方法提升了10%。
• 模型实现了精确的顶点拟合，所有重建强子的pT、Lxy和dR的均值归一化残差均在±1σ范围内。
• 在集成到风味标签管道后，该方法在70% b-夸克喷注选择效率下，使轻子喷注拒收率提升50%，c-夸克喷注拒收率提升15%。
• 性能提升归因于模型从顶点结构中提取更丰富、更一致信息的能力，包括拟合属性。
• 该方法在不同相空间区域表现出强鲁棒性，并减少了对人工参数调优的依赖。
• 该方法可轻松扩展至复杂环境（如增强或大半径喷注），并具有在轨迹和共振态重建中更广泛应用的潜力。