Aplicación de redes neuronales a la clasificación y propagación de incertidumbre de procesos físicos en el experimento CMS, CERN

Abstract

Los experimentos que se llevan a cabo en el ámbito de la Física de Partículas conllevan la producción de grandes cantidades de información. Para poder producir y detectar procesos de interés de baja probabilidad, que consideramos señal, se deben generar un gran número de colisiones entre partículas. Esto produce conjuntos de datos en los que la mayoría de observaciones no son de interés, se consideran fondo. Es necesario recurrir a algún procedimiento que sea capaz de diferenciar de manera eficiente entre señal y fondo. En este trabajo se desarrolla una red neuronal con ese objetivo. Normalmente, las redes neuronales se usan de manera que ofrecen predicciones puntuales. Sin embargo, muchas ramas de la ciencia requieren resultados acompañados de medidas de incertidumbre para poder evaluar su nivel de precisión. En este proyecto, las predicciones de la red neuronal se acompañan con una estimación de su incertidumbre. Para tal fin se usan Técnicas de Regularización Estocástica aplicadas a un Perceptrón Multicapa. Existe una equivalencia entre optimizar usando redes neuronales de este tipo y redes neuronales Bayesianas, que plantean un modelo de red probabilístico. Este hecho nos permite calcular la esperanza de las predicciones y su varianza. En este trabajo se construye una arquitectura de este tipo para identificar la producción y desintegración de pares de quarks top-antitop en colisiones de protones llevadas a cabo en el colisionador de hadrones LHC en el CERN. Se usa un conjunto de datos del experimento CMS que contiene información detallada de simulaciones de estas colisiones, con procesos tanto de señal como de fondo. La red neuronal desarrollada demuestra una excelente capacidad de discriminación entre señal y fondo.

Particle physics experiments entail large data collection. In order to produce and detect low probability processes of interest (signal), a huge number of particle collisions must be carried out. This procedure produces huge sets of observations where most of them are of no interest (background). A mechanism able to differentiate rare signals buried in immense backgrounds is required. In this project, a neural network is used to classify particle physics events according to their nature. Usually neural networks provide predictions as mere point estimations. However, many science fields require uncertainty measures to validate the results. Obtaining expected results with their variance would give us more information about the scope of the network. To achieve this, Stochastic Regularization Techniques are applied to a Multilayer Perceptron. There is an equivalence between optimising performance with a neural network of this kind and with a Bayesian neural network, which defines a model from a probabilistic point of view, so that uncertainty measures naturally come up. This fact allows us to calculate, not only point estimations, but expected results with their variance. An architecture with those properties is built for the identification of the production and decay of top-antitop quark pairs in collisions of protons at the Large Hadron Collider at CERN. Datasets of detailed simulations of the signal and background processes elaborated by the CMS experiment are used. Results, stemming from the network, are presented together with uncertainty measures, showing the great discrimination power achieved.