Triggering Dark Showers with Conditional Dual Auto-Encoders

要約

オートエンコーダ (AE) は、モデル依存の仮定をほとんどまたはまったく必要とせず、コライダーでの新しい物理検索のための効果的で汎用的なツールとなる可能性があります。
新しい仮想的な物理信号は、データセット全体を記述すると一般に期待されるよく知られたバックグラウンド プロセスから逸脱する異常であると考えることができます。
AE を使用してイベントの物理的性質を決定する基準を定義する、異常検出 (AD) 問題として定式化された検索を提示します。
この研究では、物理ベースの前処理や信号の仮定を利用せずに、大きくて非常にまばらな生の検出器画像を使用して、強力な力の暗いバージョンの発現の AD 検索を実行します。
コンディショニングを通じてコン​​パクトな潜在空間を学習できるデュアルエンコーダ設計を提案します。
複数の AD 指標のコンテキストにおいて、競合ベースラインや以前のアプローチと比べて明らかな改善を示しています。
AEが複数の暗いシャワーモデルに対して優れた識別を示すことが示されたのはこれが初めてであり、ATLASやATLASなどのLHC実験のトリガー段階などに導入するための、モデルに依存しない高性能なアルゴリズムとしてこの方法が適していることを示しています。
CMS。

要約(オリジナル)

Auto-encoders (AEs) have the potential to be effective and generic tools for new physics searches at colliders, requiring little to no model-dependent assumptions. New hypothetical physics signals can be considered anomalies that deviate from the well-known background processes generally expected to describe the whole dataset. We present a search formulated as an anomaly detection (AD) problem, using an AE to define a criterion to decide about the physics nature of an event. In this work, we perform an AD search for manifestations of a dark version of strong force using raw detector images, which are large and very sparse, without leveraging any physics-based pre-processing or assumption on the signals. We propose a dual-encoder design which can learn a compact latent space through conditioning. In the context of multiple AD metrics, we present a clear improvement over competitive baselines and prior approaches. It is the first time that an AE is shown to exhibit excellent discrimination against multiple dark shower models, illustrating the suitability of this method as a performant, model-independent algorithm to deploy, e.g., in the trigger stage of LHC experiments such as ATLAS and CMS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google