Edge convolution and transformer for b-jets tagging

Vásquez Plaza, Diego F.

Publication

Edge convolution and transformer for b-jets tagging

Vásquez Plaza, Diego F.

Abstract

Jet flavor tagging plays an important role in precise Standard Model measurement enabling the extraction of mass dependence in jet-quark interaction and quark-gluon plasma (QGP) interactions. They also enable inferring the nature of particles produced in high-energy particle collisions that contain heavy quarks. The classification of bottom jets is vital for exploring new Physics scenarios in the √s = 13 TeV proton-proton collisions. The LHC has operated at √s = 13 TeV (Run 2) and √s = 13.6 TeV (Run 3) and was designed for 14 TeV. In this research, I present a hybrid deep learning architecture that integrates edge convolutions with transformer self-attention mechanisms, into one single architecture called the Edge Convolution Transformer (ECT) model for bottom-quark jet tagging. ECT processes track-level features (impact parameters, momentum, and their significances) alongside jet-level observables (vertex information and kinematics) to achieve state-of-the-art performance. The study utilizes the ATLAS simulation dataset. I demonstrate that ECT achieves 0.9333 AUC for b-jet versus combined charm and light jet discrimination, surpassing ParticleNet (0.8904 AUC) and the Particle transformer model (0.9216 AUC).
El etiquetado de Jets juega un rol importante en la medición precisa del Modelo Estándar, permitiendo la extracción de la dependencia de masa en la interacción jet-quark y las interacciones del plasma de quarks y gluones (QGP). También permiten inferir la naturaleza de las partículas producidas en colisiones de partículas de alta energía que contienen quarks pesados. La clasificación de bottom jets es vital para explorar nuevos escenarios de Física en las colisiones protón-protón a √s = 13 TeV. El LHC ha operado a √s = 13 TeV (Run 2) y √s = 13, 6 TeV (Run 3) y fue diseñado para 14 TeV. En esta investigación, presento una arquitectura híbrida de deep learning que integra edge convolutions con mecanismos de self-attention de transformer, en una sola arquitectura llamada modelo Edge Convolution Transformer (ECT) para el etiquetado de jet bottom-quark. ECT procesa características a nivel de track (parámetros de impacto, momento y sus significancias) junto con observables a nivel de jet (información de vértice y cinemática) para lograr un rendimiento de vanguardia. El estudio utiliza el conjunto de datos de simulación ATLAS. Demuestro que ECT alcanza un AUC de 0.9333 para la discriminación de b-jet versus charm combinado y light jets, superando al modelo ParticleNet (0.8904 AUC) y al modelo Particle transformer (0.9216 AUC).