Machine Learning for real time detection of anomalous events at the ATLAS experiment at the LHC

Abstract

Não é possível guardar em tempo real a enorme quantidade de dados gerada na experiência ATLAS, motivo pelo qual existe o trigger. O trigger é responsável por selecionar os eventos que são guardados para análise. No entanto, existe a preocupação de não estarem a ser guardados todos os eventos interessantes. A utilização de métodos de deteção de anomalias pode ser uma forma de melhorar o trigger, de forma a assegurar que estes eventos são guardados. Neste trabalho, foram usados autoencoders para deteção de anomalias semi-supervisionada e o seu desempenho a separar eventos de fundo e de sinal foi estudado. Vários autoencoders com diferentes dimensões do espaço latente foram treinados apenas com eventos de fundo. O desempenho do melhor autoencoder para cada sinal foi comparado com uma rede neuronal supervisionada treinada para cada sinal e a utilização de apenas uma variável para distinguir entre eventos de sinal e fundo. Eventos simulados de Trigger-Level Analysis foram usados como fundo e eventos simulados de HH → bbbb, ZH → bbνν, B+ → J/Ψ, B- → J/Ψ foram usados como sinais. Observou-se que os autoencoders com dimensões do espaço latente mais baixas e mais altas tiveram melhor desempenho. O melhor autoencoder teve pior desempenho que a rede neuronal supervisionada, para todos os sinais. No entanto, para o sinal HH → bbbb, o melhor autoencoder foi melhor do que a utilização de apenas uma variável para distinguir entre eventos de fundo e sinal. Observou-se também a existência de uma correlação negativa entre a qualidade da reconstrução do fundo pelo autoencoder e o desempenho do autoencoder para dois dos sinais considerados. Juntas, estas observações dão uma indicação inicial de que as técnicas de deteção de anomalias têm o potencial para ser muito úteis, melhorando a robustez da seleção de eventos em tempo real feita pelo trigger.

It is not possible to save in real time the huge quantity of data generated at the ATLAS experiment, which is why the trigger exists. The trigger is responsible for selecting the events to be saved for later analysis. However, there is the concern that not all interesting events are being saved. Anomaly detection methods could be a way to improve the trigger to make sure these events are selected for storage. In this work, autoencoders were used for semi-supervised anomaly detection and their ability to discriminate between background and signal events was studied. Multiple autoencoders with different latent space dimensions were trained just with background events. The performance of the best autoencoder was compared with a supervised neural network trained for each signal and the use of just one feature for discriminating background and signal events. Simulated Trigger-Level Analysis events were used as background events and simulated HH → bbbb, ZH → bbνν, B+ → J/Ψ, B- → J/Ψ events were used as signal events. It was observed that the autoencoders that performed better were the ones with lower and higher dimensions of the latent space. The best autoencoder performed worse than the supervised neural network, for all the signals. However, for the HH → bbbb signal, the best autoencoder had a better performance than the use of just one feature to discriminate between background and signal events. It was also found a negative correlation between the quality of the background reconstruction by the autoencoder and the performance of the autoencoder for two of the considered signals. When put together, these facts provide an indication that anomaly detection techniques may prove a useful technique to improve the robustness of the trigger event selection.