Core Concepts
이벤트 분류기 트랜스포머 신경망을 사용하여 H →Z (ℓ+ℓ−) γ 붕괴 검색 영역을 효과적으로 구분하고 유의성을 높일 수 있다.
Abstract
이 연구에서는 H →Z (ℓ+ℓ−) γ 붕괴 검색을 위한 새로운 이벤트 분류기 트랜스포머 신경망을 제안했다. 이 신경망은 신호와 배경 이벤트를 효과적으로 구분하여 검색 영역을 세분화할 수 있다.
특별한 훈련 기법을 개발하여 적용했다:
극단적 손실 함수: 신경망 출력이 배경에 가까울수록 더 큰 손실을 주어 유의성을 높일 수 있다.
거리 상관 정규화: 신경망 출력과 재구성된 질량 사이의 상관관계를 낮출 수 있다.
데이터 범위 훈련: 신호 영역과 배경 영역을 다르게 적용하여 유의성과 상관관계를 개선할 수 있다.
유의성 기반 모델 선택: 손실 함수 대신 유의성을 기준으로 최적의 모델을 선택할 수 있다.
이러한 기법들을 적용한 이벤트 분류기 트랜스포머 신경망은 부스팅 의사결정 트리와 피드포워드 신경망보다 우수한 성능을 보였다. 특히 배경과의 상관관계가 낮아 H →Z (ℓ+ℓ−) γ 붕괴 검색에 효과적으로 활용될 수 있다.
Stats
H →Z (ℓ+ℓ−) γ 붕괴 검색 영역에서 신호 이벤트는 약 9백만 개, 배경 이벤트는 약 5백만 개이다.
기대 유의성은 약 1.5σ 수준이다.
Quotes
"극단적 손실 함수는 신경망 출력이 배경에 가까울수록 더 큰 손실을 주어 유의성을 높일 수 있다."
"거리 상관 정규화를 통해 신경망 출력과 재구성된 질량 사이의 상관관계를 낮출 수 있다."
"데이터 범위 훈련 기법은 신호 영역과 배경 영역을 다르게 적용하여 유의성과 상관관계를 개선할 수 있다."