LHC・ATLAS実験データ解析における深層学習の発展

点击翻译按钮获取中文摘要

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、昨年度に引き続きヒッグス粒子が2つのタウ粒子に崩壊する過程に着目し、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の2つの目的の異なる深層学習モデルを構築し、それらを直列につなげて全体を最適化させる研究を進めた。２つの深層学習モデルを接続する際、一方のモデルの出力がもう一方のモデルの入力となるように直接接続すると、後段モデルの性能が劣化する。深層学習モデルをマルチタスク学習のような形式で接続し学習させることで、多段の教師データが与えられているこの問題特有の構造を生かし、かつ後段モデルの予測性能劣化を緩和できることを実験的に示した。またマルチタスク学習の形式を用いることで、モデルの学習手法としてマルチタスク学習の手法を応用することが可能となり、複数モデルの効率的な学習が可能となることも実験的に示した。深層学習を用いた異常検知の手法を素粒子物理実験の問題に適用する研究も推進した。特に、正規化流を用いた異常検知手法を題材に、用いる正規化流モデルの種類(Masked Autoregressive Flow、Spline Flow等)やモデルのハイパーパラメータ(ブロック数や内部パラメータの数)の最適化が異常検知の性能にどのような影響を与えるのかを調査した。