Identifying leptons with dynamic graph convolutional neural networks at the CMS experiment

Abstract

Die korrekte Identifizierung von Leptonen ist eine wichtige Aufgabe in Experimenten der Hochenergiephysik, da Leptonen als durch Higgs-Boson und elektroschwache Vektorbosonen produziert werden können. Ein wichtiges Designkriterium des Compact Muon Solenoids (CMS) Experiment am Large Hadron Collider (LHC) ist die effiziente Detektion von Myonen und Elektronen aus Proton-Proton-Kollisionen.Normalerweise erfolgt die Leptonidentifizierung beim CMS-Experiment mittels Schnitten auf diskriminierende Variablen oder, in jüngerer Zeit, durch Algorithmen mit maschinellem Lernen, wie Boosted Decision Trees (BDTs). Leptonen unterschiedlichen Ursprungs werden in beiden Fällen durch Bedingungen an Variablen getrennt, die die hadronische Aktivität um sie herum beschreiben. In dieser Arbeit erweitern wir ein Dynamic Graph Convolutional Neural Network (DGCNN), das ursprünglich für die Jet-Identifizierung entwickelt wurde, um es zur Identifizierung von Leptonen im CMS-Experiment einzusetzen. Dieses DGCNN schöpft seine Stärke aus der Verwendung der sogenannten EdgeConv-Operation, die Informationen von anderen Teilchen in der Nähe des Leptons mit dem Ziel einbezieht, ihre Korrelationen zu lernen und während des Trainings ein Maß für die Entfernung zwischen den Teilchen in einem latenten Raum zu entwickeln.Wir zeigen, dass unser Modell die derzeit beste Lepton-Identifizierungsmethoden die in CMS verwendet wird, um fast eine Größenordnung in der Untergrundunterdrückung übertreffen kann. Außerdem analysieren wir die Leistungsabhängigkeit von verschiedenen Parametern und führen eine Kalibrierung auf konstante Signaleffizienz durch. Die Leistung erweist sich als unabhängig von der Anzahl der gleichzeitigen Partikelkollisionen, was auf eine gute Leistung auch bei sehr hohen Luminositäten hinweist.

Identifying leptons correctly is an important task in high-energy physics experiments. Leptons can serve as probes for many particles of interest, including the Higgs boson and electroweak vector bosons. To achieve this, the Compact Muon Solenoid (CMS) experiment at the Large Hadron Collider (LHC) is designed to detect muons and electrons generated in proton-proton collisions efficiently.Usually, lepton identification at the CMS experiment is done by applying a series of conditions on different variables or, more recently, by simple machine-learning-based techniques like boosted decision trees (BDTs). Leptons from different origins are separated by conditions on variables describing the hadronic activity around them. In this thesis, we alter a Dynamic Graph Convolutional Neural Network (DGCNN), originally designed for jet identification, to employ it in identifying leptons in the CMS experiment. This DGCNN draws its strength from employing the so-called EdgeConv operation, which incorporates information from other particles in the vicinity of the lepton with the aim of learning their correlations and developing a measure of distance between the particles in a latent space during training.We demonstrate that our model can outperform CMS's best current lepton identification methods by almost an order of magnitude. We also analyze the performance dependency on different parameters and calibrate constant signal efficiency. The performance is independent of the number of simultaneous particle collisions, indicating good performance in high-pileup conditions.