머신러닝은 입자 "제트"에 대한 이해를 혁신하고 있습니다.

피드백

2023년 8월 3일 | 에 의해

검출기에 단일 입자 트랙이나 에너지 침전물을 기록하는 대신 열량계에 많은 양의 에너지를 남기는 많은 트랙이 있는 복잡한 입자 집합을 보면 어떻게 될까요? 그렇다면 축하합니다. "제트기"를 녹음하셨습니다!

제트는 강하게 상호작용하는 쿼크와 ​​글루온의 소나기가 남긴 복잡한 실험적 특징입니다. 물리학자들은 제트의 내부 에너지 흐름("제트 하위 구조"라고도 함)을 연구함으로써 제트를 생성한 입자의 종류에 대해 알 수 있습니다. 예를 들어, 여러 가설의 새로운 입자가 극도로 높은(또는 "부스트된") 에너지에서 무거운 표준 모델 입자로 붕괴될 수 있습니다. 그런 다음 이러한 입자는 다중 쿼크로 붕괴되어 ATLAS 실험에서 "부스트된" 다중 갈래 제트를 남길 수 있습니다.

물리학자들은 단일 쿼크와 글루온에 의해 생성된 배경 제트와 이러한 제트를 구별하기 위해 "태거"를 사용합니다. 제트에서 생성된 쿼크의 유형은 원래 입자에 대한 추가 정보를 제공할 수도 있습니다. 예를 들어, 힉스 보손과 톱 쿼크는 ATLAS에서 "b-제트"로 표시되는 b-쿼크로 붕괴되는 경우가 많습니다. 이는 B-강입자의 긴 수명을 사용하여 다른 종류의 제트와 구별할 수 있습니다.

제트기의 복잡성은 자연스럽게 많은 양의 정보를 정확한 결정으로 효율적으로 추출할 수 있는 인공 지능(AI) 알고리즘에 적합합니다. AI 알고리즘은 수년 동안 ATLAS 데이터 분석의 일반적인 부분이었으며 ATLAS 물리학자들은 이러한 도구를 새로운 한계까지 지속적으로 밀어붙였습니다. 이번 주 ATLAS 물리학자들은 미국 로렌스 버클리 국립 연구소에서 열린 BOOST 2023 컨퍼런스에서 AI 알고리즘을 사용한 제트 태깅에 관한 네 가지 흥미로운 새로운 결과를 발표했습니다.

두 가지 결과는 가벼운 쿼크와 글루온에서 발생하는 배경 제트와는 반대로 W-보손 붕괴로 인해 발생하는 제트를 식별하는 데 사용되는 새로운 ATLAS 태거를 보여주었습니다. 일반적으로 AI 알고리즘은 제트 질량, 에너지 상관 비율, 제트 분할 척도 등 ATLAS 내부 감지기와 열량계에 의해 기록된 "상위 수준" 제트 하부 구조 정보에 대해 훈련됩니다. 대신 이러한 새로운 연구에서는 제트 구성 요소의 직접적인 운동학적 특성이나 제트 내 방사선의 새로운 2차원 매개변수화("룬드 제트 평면"으로 알려짐)와 같은 동일한 탐지기의 "낮은 수준" 정보를 사용합니다. 제트의 구성 요소로부터 입자 샤워 발달을 기반으로 한 그래프를 사용합니다(그림 1 참조).

이러한 새로운 태거를 사용하면 상위 수준 태거만으로 수행할 수 있는 것보다 훨씬 더 효과적으로 신호와 배경의 모양을 분리할 수 있습니다(그림 2 참조). 특히 Lund Jet 평면 기반 태거는 AI 네트워크에 동일한 입력을 사용하지만 제트 샤워 개발의 물리학에서 영감을 받은 다른 형식을 사용하여 다른 방법보다 성능이 뛰어납니다.

두 개의 b-쿼크 또는 c-쿼크로 강성 붕괴하는 부스트 힉스 보손에서 발생하는 제트를 식별하는 새로운 부스트 힉스 태거의 개발에서도 유사한 진화가 이어졌습니다. 또한 낮은 수준의 정보를 사용합니다. 이 경우 힉스 보손 붕괴를 포함하는 단일 제트와 관련된 내부 탐지기에서 재구성된 트랙입니다. 이 새로운 태거는 현재까지 가장 성능이 뛰어난 태거이며, 제트기 및 b/B의 높은 수준의 정보를 사용했던 이전 버전의 태거에 비해 50% 향상된 Higgs 신호 효율로 1.6~2.5배 향상된 요소를 나타냅니다. c-쿼크는 신경망의 입력으로 붕괴됩니다(그림 3 참조).

마지막으로 ATLAS 연구원들은 쿼크에서 발생하는 제트와 글루온에서 발생하는 제트를 구별하는 것을 목표로 하는 두 가지 새로운 태거를 제시했습니다. 한 태거는 태그가 지정된 제트의 하전 입자 구성 다중성을 조사했고, 다른 한 명은 Boosted Decision Tree를 사용하여 여러 제트 운동학 및 제트 하위 구조 변수를 결합했습니다. 물리학자들은 이러한 쿼크/글루온 태거의 성능을 비교했습니다. 그림 4는 시뮬레이션에서 쿼크 선택 효율의 함수로서 글루온 제트의 거부를 보여줍니다. 벡터 보존 융합을 포함한 표준 모델 프로세스에 대한 여러 연구와 쿼크가 풍부한 신호를 사용한 새로운 물리학 검색은 이러한 태거를 통해 큰 이점을 얻을 수 있습니다. 그러나 이를 분석에 사용하려면 데이터와 시뮬레이션에서 태거의 성능이 동일하도록 신호 효율 및 배경 제거에 대한 추가 보정이 적용되어야 합니다. 연구원들은 이러한 태거에 대한 Run-2 데이터에서 효율성과 거부율을 모두 측정했으며 측정된 데이터와 예측 사이에 좋은 일치를 발견했습니다. 따라서 약간의 수정만 필요합니다.