機械学習は粒子「ジェット」の理解に革命をもたらしています

フィードバック

2023 年 8 月 3 日 | による

検出器に単一の粒子の軌跡やエネルギー蓄積を記録するのではなく、多くの軌跡を持つ多数の粒子の複雑な集合が表示され、熱量計に大量のエネルギーが残っている場合はどうなるでしょうか? おめでとうございます。「ジェット」が録音されました。

ジェットは、強く相互作用するクォークとグルーオンのシャワーによって残された複雑な実験の痕跡です。 「ジェット下部構造」とも呼ばれるジェットの内部エネルギーの流れを研究することで、物理学者はそれを作り出した粒子の種類について知ることができます。 たとえば、いくつかの仮説的な新しい粒子は、非常に高い（または「ブーストされた」）エネルギーで重い標準模型粒子に崩壊する可能性があります。 これらの粒子はその後、複数のクォークに崩壊し、ATLAS 実験で「ブーストされた」多分岐ジェットを残す可能性があります。

物理学者は「タガー」を使用して、これらのジェットを単一クォークやグルーオンによって生成される背景ジェットと区別します。 ジェット内で生成されるクォークの種類によって、元の粒子に関する追加情報が得られることもあります。 たとえば、ヒッグス粒子とトップ クォークは、ATLAS では「b ジェット」として見られる b クォークに崩壊することが多く、B ハドロンの長い寿命を利用して他の種類のジェットと区別できます。

ジェット機の複雑さは、必然的に人工知能 (AI) アルゴリズムに適しており、大量の情報を効率的に抽出して正確な決定を下すことができます。 AI アルゴリズムはここ数年、ATLAS データ分析の定期的な一部となっており、ATLAS の物理学者はこれらのツールを新たな限界に押し上げ続けています。 今週、ATLAS の物理学者は、ローレンス バークレー国立研究所 (米国) で開催された BOOST 2023 カンファレンスで、AI アルゴリズムを使用したジェットのタグ付けに関する 4 つの刺激的な新しい結果を発表しました。

2つの結果では、軽いクォークやグルーオンに由来するバックグラウンドジェットとは対照的に、ブーストされたWボソン崩壊に由来するジェットを識別するために使用される新しいATLASタガーが紹介されました。 通常、AI アルゴリズムは、ジェットの質量、エネルギー相関比、ジェット分割スケールなど、ATLAS 内部検出器と熱量計によって記録された「高レベル」のジェット下部構造情報に基づいてトレーニングされます。 これらの新しい研究では代わりに、同じ検出器からの「低レベル」情報、つまりジェットの成分の直接的な運動学的特性や、ジェット内の放射線の新しい二次元パラメータ化（「ルンド・ジェット面」として知られる）を使用します。ジェットの成分から、粒子シャワーの展開に基づいたグラフを使用して計算します (図 1 を参照)。

これらの新しいタガーにより、高レベルのタガーが単独で行うよりもはるかに効率的に信号とバックグラウンドの形状を分離できるようになりました (図 2 を参照)。 特に、ルンド ジェット飛行機ベースのタガーは、AI ネットワークへの同じ入力を、ジェット シャワー開発の物理学にヒントを得た異なる形式で使用することにより、他の方法よりも優れています。

新しいブースト ヒッグス タガーの開発でも同様の進化がたどられ、2 つの b クォークまたは c クォークにハドロン崩壊するブースト ヒッグス粒子から発生するジェットを識別します。 また、低レベルの情報も使用します。この場合、ヒッグス粒子を含む単一のジェットに関連する内部検出器から再構成された軌跡が崩壊します。 この新しいタガーは、これまでで最もパフォーマンスの高いタガーであり、ジェットと B/ c-クォークはニューラル ネットワークへの入力として崩壊します (図 3 を参照)。

最後に、ATLASの研究者らは、クォーク由来のジェットとグルーオン由来のジェットを区別することを目的とした2つの新しいタガーを発表した。 1 つのタグ付け者はタグ付けされているジェットの荷電粒子構成要素の多様性を調べ、もう 1 つはブースト決定ツリーを使用していくつかのジェット運動学変数とジェット下部構造変数を組み合わせました。 物理学者はこれらのクォーク/グルーオンタガーの性能を比較しました。 図4は、シミュレーションにおけるクォーク選択効率の関数としてグルーオンジェットの拒絶を示しています。 ベクトルボソン核融合を含む標準モデル過程のいくつかの研究や、クォークを豊富に含む信号を用いた新しい物理学的探索は、これらのタガーから大きな恩恵を受ける可能性があります。 ただし、それらを分析で使用するには、データとシミュレーションにおけるタガーのパフォーマンスを同じにするために、信号効率とバックグラウンド除去に追加の補正を適用する必要があります。 研究者らは、これらのタガーの Run-2 データで効率と拒否率の両方を測定し、測定データと予測がよく一致していることを発見しました。 したがって、小さな修正のみが必要です。