2021 Fiscal Year Research-status Report
LHC・ATLAS実験データ解析における深層学習の発展
| Project/Area Number |
21K13936
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
齊藤 真彦 東京大学, 素粒子物理国際研究センター, 特任助教 (70865162)
|
|---|
| Project Period (FY) |
2021-04-01 – 2023-03-31
|
| Keywords | 素粒子物理学 / ATLAS実験 / 機械学習 / 深層学習 |
|---|
| Outline of Annual Research Achievements |
本研究の目的は高エネルギー実験における実験データ解析に深層学習、特に実験データの構造を踏まえた深層学習モデルを適用することで、解析性能の向上、および説明可能性の向上を目指すことである。
本年度はLHC/ATLAS実験における典型的な解析チャンネルの一つであるヒッグス粒子が2つのタウ粒子に崩壊する過程に着目した。この事象を、複数の検出器信号からタウ粒子を同定する深層学習モデル、およびタウ粒子を含む複数の粒子群からヒッグス粒子を同定する深層学習モデルを構築することで事象選別性能の向上を図った。
まず、それぞれの問題に対して複数の異なる深層学習モデルを適用し、その性能を比較した。多層パーセプトロン、リカレントニューラルネットワーク、グラフニューラルネットワーク等を比較し、グラフニューラルネットワークベースのモデルの性能が最も良いことを確認した。これは、着目した問題では任意長の入力を扱わなければならないことからも期待される結果であり、グラフニューラルネットワークが素粒子実験物理データ解析に有用であることを補強する結果である。次に、最も性能の良かったグラフニューラルネットワークを基にした2つの深層学習モデルをつなげて全体を最適化させる研究を進めた。1つの大きなモデルを学習させる手法と比較すると、2つのモデルに分割して学習することによりモデル出力の中間状態を明示的に定義することができるため、深層学習モデルがより説明可能になるという利点がある。2つのモデルを同時に学習することで、個々に各モデルを学習させるよりも性能が向上することを実験的に確認した。今回実験を行ったのは一つの解析チャンネルにおいてであるが、同時学習の有用性は他の解析チャネルに対しても適用が可能であることが推測されるため、今後の物理データ解析戦略を考える上でも意義が大きい。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
研究実施計画で予定していたグラフニューラルネットワークを用いて物理解析性能の評価をすることができた。一方で、現段階ではシンプルなモデル構造のみを用いており、素粒子の対称性を組み込む等といったより複雑なモデルの構築をするには至らなかった。また、不定性の扱いに関しても未着手であり、今後の研究課題である。COVID-19の影響により、予定していた国際会議・国内会議での他の研究者との議論の機会が大幅に制限されることになったが、深層学習モデルの構築・実験はCOVID-19の影響なく進めることができている。
|
| Strategy for Future Research Activity |
今後は、グラフニューラルネットワークへの対称性の組み込み、および不定性の扱いについて研究を進める。対称性に関しては、効率の良い形でローレンツ対称性を深層学習モデルに組み込む研究が最近提案されているなど、分野の発展が進んでいる。これらの技術を物理データ解析に適用する他、他の対称性の組み込みについても模索する。一方、不定性に関しては実施計画の通り、深層アンサンブル学習を用いたモデル自身の不定性の評価、敵対的深層学習による実データとシミュレーションデータの差異をなくすような深層学習モデルの学習手法を実験データ解析に対して適用し、説明可能性の実現を図る。
|
| Causes of Carryover |
COVID-19により国内・国際会議が中止、もしくはオンラインのみになり、旅費を使用することがなかった。また、研究の進行状況から、予定していたクラウドCPU/GPU/TPUを用いた深層学習の大規模トレーニングの実施を見送ったため、物品費の使用も少額となった。
次年度では、延期していた国内・国際会議出席や、クラウド資源を用いた大規模学習を進める予定である。
|
Research Products
(3 results)
