Документ взят из кэша поисковой машины. Адрес оригинального документа : http://top.sinp.msu.ru/lev/phd/node31.html
Дата изменения: Fri Aug 3 16:59:30 2001
Дата индексирования: Sat Feb 2 21:40:54 2013
Кодировка: koi8-r

Использование нейронной сети для удаления событий с космическими мюонами

Одним из недостатков классического анализа, описанного в предыдущей главе, был неэффективный метод удаления событий с космическими мюонами, основанный на простом обрезании по переменной $\Delta\phi(\rm {isol} \mu,\rm {tag} \mu)$ (угол между изолированным и тагирующем мюонами в поперечной плоскости). На данном этапе, был предложен и реализован другой метод очистки образцов, основанный на применении нейронных сетей.

Выбирались основные переменные, чувствительные к отличиям мюонов из космоса и рождающихся в $p\bar p$-столкновениях:

• $\Delta\phi(\rm {isol} \mu,\rm {tag} \mu)$;
• IP $_{3d}(\rm {isol}~\mu)$ -прицельный параметр трека изолированного мюона, по отношению к линии пучка протонов;
• IP $_{3d}(\rm {tag}~\mu)$- тоже для тагирующего мюона;
• $p_T(\rm {isol}~\mu)$- поперечный импульс изолированного мюона;
• $p_T(\rm {tag}~\mu)$- тоже для тагирующего мюона;
• $z_{\rm {vert}}(\rm {isol}~\mu)$- z-координата вершины трека изолированного мюона;
• $z_{\rm {vert}}(\rm {tag}~\mu)$- тоже для тагирующего мюона.

Проверялись нейронные сети с меньшим числом переменных, но результаты сравнения показали, что оптимально использовать все 7 переменных. Ввести дополнительные характерные отличия космических мюонов, например, выделенное направление сверху вниз, не позволила геометрия детектора. В качестве тренировочных образцов использовались два класса событий. Первый класс - взвешенная сумма всех МК событий для сигнальных и фоновых процессов ($tb 3.4\%$, $tqb 5.3\%$, $t\bar{t}$ $44.4\%$, $Wb\bar{b}$ $8.7\%$, $Wc\bar{c}$ $8.3\%$, $Wjj 19.6\%$, $WW 8.6\%$, $WZ 1.7\%$). Второй класс - все доступные события из данных, прошедшие начальные критерии отбора и обрезание $\Delta\phi(\rm {isol} \mu,\rm {tag} \mu)>2.4$ рад. (при этом, в основном, остаются события с космическим мюоном). На рисунке 4.7, показаны распределения выхода нейронной сети для двух классов событий (левый рисунок) и выход нейронной сети для данных и суммы смоделированных фонов и сигнала (правый рисунок). Выход нейронной сети для космических лучей локализован в районе нуля, в то время как реальные события распределены в районе единицы (обычное определение для сигнала и фона при тренировке сети) На правом рисунке хорошо видно, что ближе к нулю данные сильно превышают смоделированные события и это обусловлено вкладом космических лучей. Небольшой пик в районе нуля в кривой соответствующей моделированию, идет от QCD фона, который вычислялся путем перенормировки многоструйных событий из данных и, следовательно, так же содержит космические мюоны. Для дальнейшего анализа были оставлены события с выходом нейронной сети больше 0.85

• Выход NN $_{\rm cosmic} > 0.85$

Применение такого обрезания оставляет 63% s-канального и 68% t-канального сигнала; 38% фоновых событий и 16% данных. Эту эффективность можно сравнить с эффективностью в классическом анализе: 60% s-канальный, 66% t-канальный сигнал, 60% фон и 26% данные. До обрезаний на космику 84% фона происходило от QCD событий, в которых много космических мюонов, старые обрезания удаляли 54% QCD фона, новые 67%; при этом эффективность для сигнала возросла. Очевидно преимущество нового метода для удаления космики из мюонного канала с тагируюшим мюоном.

Figure 4.7: Выход нейронной сети, натренированной на космические мюоны. (a): тренировочные образцы; равные значения Монте-Карло событий и событий с космическим мюоном (данные); (b): отобранные данные (треугольники) и смоделированные события для полной суммы всех фоновых и сигнальных процессов (кривая с обозначенной ошибкой вычислений).