События

Новости коллаборации CMS. Машинное обучение – чтобы увидеть невидимое

Новый алгоритм машинного обучения DeepMET, разработанный для эксперимента CMS, позволяет повысить точность реконструкции невидимых частиц.

Как увидеть частицы, которые способны пролететь насквозь весь детектор практически с ним не взаимодействуя? Это задача становится первостепенной, когда речь идет о нейтрино. Эта фундаментальная частица рождается в распадах различных тяжелых частиц, например b- или t-кварков, тяжёлых W-бозонов. Физики CMS «охотятся» за такими невидимыми частицами с помощью измерения дисбаланса импульсов (или энергии) тех частиц, которые можно назвать видимыми. Одной из подходящих характеристик для регистрации невидимых частиц является так называемый недостающий (согласно законам сохранения) поперечный импульс, или MET (Missing Transverse Energy). MET также является одним из самых важных указаний в поисках неуловимых частиц-кандидатов на роль темной материи. Теперь, благодаря мощному новому алгоритму под названием DeepMET, физики CMS улучшили свою способность обнаруживать эту невидимую энергию.

Точная реконструкция MET критически важна, но представляет собой большую сложность. MET вычисляется из характеристик всех видимых частиц в детекторе. Ошибка измерения каждой из отдельных характеристик приводит к еще большей потенциальной ошибке при их комплексном анализе, приводя к большой неточности оценки MET. Вдобавок к этому, точность классических алгоритмов определения MET, включая PF и PPUPPI, существенно снижается за счет сложных условий эксперимента на БАК, когда каждое пересечение пучков может производить десятки одновременных протонно-протонных столкновений (так называемых «pile-up»). Для обеспечения высокой точности реконструкции в таких суровых условиях был разработан алгоритм DeepMET.

Самый умный MET с глубоким обучением

DeepMET использует глубокую нейронную сеть (DNN), обученную оптимально оценивать значение MET на основе свойств реконструированных частиц, таких как тип частиц, ее электрический заряд и импульс.

Чтобы эффективно справиться с анализом тысяч частиц, рожденных в одном столкновении на БАК, сеть обучена находить оптимальный вес каждой частицы, участвующей в оценке MET, для последующего вычисления суммы взвешенных импульсов всех частиц. Общее число обучаемых параметров составляет 4500, что по сегодняшним стандартам делает нейронную сеть чрезвычайно компактной, и она может быть легко обучена на одной видеокарте. Чтобы охватить широкий спектр возможных топологий событий, обучающий набор данных включает в себя данные моделирования событий распада Z→μμ и парного рождения топ-кварков.

Рисунок 1. Нейросетевая архитектура алгоритма DeepMET. Нейронная сеть учитывает характеристики всех частиц
в качестве входных данных, вычисляет отдельные веса и оценивает MET как сумму их взвешенных импульсов.

Отличные характеристики

Итак, насколько хорошо этот алгоритм работает? DeepMET был протестирован как на данных моделирования, так и на реальных данных эксперимента, полученных в ходе второго этапа набора данных Run 2 LHC при энергии столкновения 13 ТэВ в с.ц.м. Чего удалось достичь:

• На хорошо изученных событиях, таких как распад Z→μμ, DeepMET показывает по сравнению с классическими алгоритмами значительное улучшение точности по недостающей поперечной энергии MET.
• Даже когда количество вершин взаимодействия (pile-up) увеличивается, DeepMET поддерживает стабильные и надежные характеристики (точность и производительность).
• Алгоритм показывает высокую эффективность и на других физических процессах, включая рождение W-бозонов, бозонов Хиггса или суперсимметричных кандидатов на роль темной матери.

Полученные результаты означают, что физики, ищущие новую физику, особенно ту, которая предполагает сигналы с невидимыми частицами, смогут получить более четкую и точную картину того, что происходит.

Рисунок 2. Разрешение по недостающей поперечной энергии MET (в ГэВ) в событиях рождения Z-бозона в зависимости от
количества вершин взаимодействия при столкновении пучков БАК. Чем кривая ниже и чем она более пологая, тем лучше.

Алгоритм готов к использованию физиками

В настоящее время алгоритм DeepMET интегрирован в базовое программное обеспечение CMS и доступен для использования в физическом анализе данных. Фактически, коллаборация CMS уже использовала его несколько месяцев назад при измерении массы W-бозона, когда точность измерения этого одного из важнейших параметров Стандартной модели достигла наилучшего в мире уровня 0,01%. Это прекрасный пример того, что машинное обучение может вывести физический анализ, требующий предельно высокой точности, на принципиально новый уровень.

По мере того, как мы приближаемся к этапу работы БАК при высокой светимости, такие инструменты, как DeepMET, помогут нам реконструировать события рождения невидимых частиц, даже когда они скрыты под фоном от других столкновений, и, возможно, нас ждут новые открытия!

Источники:

Материалы коллаборации CMS (JME-24-001) "DeepMET: Improving missing transverse momentum estimation with a deep neural network"

CMS Physis Briefings