[论文解读] Strange Jet Tagging

Yuichiro Nakai, David Shih+1 more|arXiv (Cornell University)|Mar 20, 2020

Particle physics theoretical and experimental studies参考文献 47被引用 4

一句话总结

该论文提出了一种新颖的喷注标签方法，通过探测器级别的可观测量区分奇异夸克喷注与下夸克喷注，利用奇异喷注中中性标量介子与π介子的能量比更高，以及长寿命的标量介子在强子量能器中的沉积模式与电磁量能器中即时衰变的π介子之间的差异。使用喷注图像的卷积神经网络（CNN）在低标签效率（接近0.02）下将奇异夸克喷注与下夸克喷注的区分能力提升了2.5倍，优于传统方法。

ABSTRACT

Tagging jets of strongly interacting particles initiated by energetic strange quarks is one of the few largely unexplored Standard Model object classification problems remaining in high energy collider physics. In this paper we investigate the purest version of this classification problem in the form of distinguishing strange-quark jets from down-quark jets. Our strategy relies on the fact that a strange-quark jet contains on average a higher ratio of neutral kaon energy to neutral pion energy than does a down-quark jet. Long-lived neutral kaons deposit energy mainly in the hadronic calorimeter of a high energy detector, while neutral pions decay promptly to photons that deposit energy mainly in the electromagnetic calorimeter. In addition, short-lived neutral kaons that decay in flight to charged pion pairs can be identified as a secondary vertex in the inner tracking system. Using these handles we study different approaches to distinguishing strange-quark from down-quark jets, including single variable cut-based methods, a boosted decision tree (BDT) with a small number of simple variables, and a deep learning convolutional neural network (CNN) architecture with jet images. We show that modest gains are possible from the CNN compared with the BDT or a single variable. Starting from jet samples with only strange-quark and down-quark jets, the CNN algorithm can improve the strange to down ratio by a factor of roughly 2 for strange tagging efficiencies below 0.2, and by a factor of 2.5 for strange tagging efficiencies near 0.02.

研究动机与目标

• 解决高能对撞实验中奇异夸克喷注标签问题的广泛未探索领域。
• 开发一种仅利用当前通用探测器（如CMS和ATLAS）中可用的可观测量，区分奇异夸克喷注与下夸克喷注的方法。
• 在真实喷注样本上评估多种标签策略——单变量截断、提升决策树（BDTs）和深度学习（CNNs）的性能。
• 展示奇异夸克喷注标签在改善顶夸克衰变重建和实现CKM矩阵元比直接测量方面的潜力。

提出的方法

• 该方法利用奇异夸克喷注中平均中性标量介子能量份额高于下夸克喷注的特性，因为标量介子寿命较长，能量沉积于强子量能器（HCAL）中。
• 利用下夸克喷注中中性π介子（π⁰ → γγ）的即时衰变，其能量沉积于电磁量能器（ECAL）中，形成电磁能量份额的对比。
• 通过内层触发系统中二次顶点的重建识别寿命较短的中性标量介子（Kₛ → π⁺π⁻），提供额外的区分变量。
• 在从量能器和追踪可观测量中提取的一组整体喷注变量上训练提升决策树（BDT）。
• 将卷积神经网络（CNN）应用于由探测器子系统信号（如ECAL、HCAL、追踪）构建的喷注图像，实现空间模式的学习。
• 使用仅包含奇异夸克喷注与下夸克喷注的模拟事件，评估所有方法的性能，重点关注不同标签效率下的奇异夸克喷注与下夸克喷注的比例。

实验结果

研究问题

• RQ1 如量能器能量沉积和二次顶点重建等探测器级别可观测量，能否有效区分奇异夸克喷注与下夸克喷注？
• RQ2 机器学习技术，尤其是CNN，相较于传统基于截断或BDT的方法，能在多大程度上提升奇异夸克喷注的区分能力？
• RQ3 与简单标签算法相比，使用CNN在奇异夸克喷注与下夸克喷注比例上的可实现提升幅度是多少？
• RQ4 当与底夸克和粲夸克喷注标签结合时，奇异夸克喷注标签能否减少多喷注末态中顶夸克衰变的组合混淆？
• RQ5 是否可行利用此类标签实现对胶子-夸克矩阵元比 |V_cs / V_cd| 在强子衰变中的直接测量？

主要发现

• 使用喷注图像的卷积神经网络（CNN）在标签效率接近0.02时，相比基线方法将奇异夸克喷注与下夸克喷注的比例提升了2.5倍。
• 在标签效率低于0.2时，CNN使奇异夸克喷注与下夸克喷注的比例提升约2倍，表明其在性能上持续优于BDT和单变量截断方法。
• 主要区分变量是中性强子能量与电磁能量的比值，其差异源于标量介子与π介子在探测器中不同的衰变模式。
• 通过短寿命标量介子获得的二次顶点重建提供了额外的区分能力，当与量能器信息结合时可进一步提升性能。
• 研究表明，深度学习方法能够从探测器响应中提取细微且具有空间分辨特性的模式，从而在喷注味标签方面超越传统统计方法。
• 结果表明，奇异夸克喷注标签可能实现新一类高精度测量，例如直接确定 |V_cs / V_cd|，并改善多喷注末态中顶夸克衰变的重建效果。