Autoencoders for Real-Time SUEP Detection

要約

ダークセクターを疑似共形ダイナミクスで閉じ込めると、大型ハドロン衝突型加速器でソフト非クラスターエネルギーパターン (SUEP) を生成できます。これは、ダークシャワーとダークハドロンの高多重度生成につながる陽子と陽子の衝突におけるダーククォークの生成です。
最後の実験的特徴は、数百 MeV の横エネルギーを持つ異常に多数の柔らかい標準模型粒子による球対称のエネルギー堆積です。
SUEP 探索の主な背景は、グルーオン-グルーオン融合を介して生成される場合、マルチジェット QCD イベントです。
私たちは、大型ハドロン衝突型加速器でのコンパクトミュオンソレノイド実験のハイレベルトリガーシステムで、QCD ジェットを拒否し、SUEP を含む異常な兆候をリアルタイムで識別する、深層学習ベースの異常検出技術を開発しました。
深層畳み込みニューラル オートエンコーダ ネットワークは、インナー トラッカー、電磁熱量計、およびハドロン熱量計サブ検出器の横方向エネルギー堆積を 3 チャネル画像データとして取得することにより、QCD イベントを使用してトレーニングされました。
データがまばらな性質であるため、このタスクの最大の課題に取り組むには、合計 ~300,000 の画像ピクセルのうち、~0.5% のみがゼロ以外の値、非標準の損失関数、いわゆる損失関数の逆を持ちます。
ダイスロスが悪用されました。
QCD ジェットの学習された空間特徴を備えたトレーニング済みオートエンコーダーは、SUEP イベントの 40% を検出でき、QCD イベントの誤検出率は 2% という低さです。
モデルの推論時間は、Intel CoreTM i5-9600KF プロセッサーを使用して測定され、約 20 ミリ秒であることが判明しました。これは、ハイレベル トリガー システムの遅延 O(100) ミリ秒を完全に満たしています。
オートエンコーダーの教師なし学習の長所を考慮すると、トレーニングされたモデルは、QCD ジェットにとって異常な実験的兆候を予測する新しい物理モデルに適用できます。

要約(オリジナル)

Confining dark sectors with pseudo-conformal dynamics can produce Soft Unclustered Energy Patterns, or SUEPs, at the Large Hadron Collider: the production of dark quarks in proton-proton collisions leading to a dark shower and the high-multiplicity production of dark hadrons. The final experimental signature is spherically-symmetric energy deposits by an anomalously large number of soft Standard Model particles with a transverse energy of a few hundred MeV. The dominant background for the SUEP search, if it gets produced via gluon-gluon fusion, is multi-jet QCD events. We have developed a deep learning-based Anomaly Detection technique to reject QCD jets and identify any anomalous signature, including SUEP, in real-time in the High-Level Trigger system of the Compact Muon Solenoid experiment at the Large Hadron Collider. A deep convolutional neural autoencoder network has been trained using QCD events by taking transverse energy deposits in the inner tracker, electromagnetic calorimeter, and hadron calorimeter sub-detectors as 3-channel image data. To tackle the biggest challenge of the task, due to the sparse nature of the data: only ~0.5% of the total ~300 k image pixels have non-zero values, a non-standard loss function, the inverse of the so-called Dice Loss, has been exploited. The trained autoencoder with learned spatial features of QCD jets can detect 40% of the SUEP events, with a QCD event mistagging rate as low as 2%. The model inference time has been measured using the Intel CoreTM i5-9600KF processor and found to be ~20 ms, which perfectly satisfies the High-Level Trigger system’s latency of O(100) ms. Given the virtue of the unsupervised learning of the autoencoders, the trained model can be applied to any new physics model that predicts an experimental signature anomalous to QCD jets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google