Многомерный амплитудный анализ каскадных распадов частиц на основе метода ближайших соседей
Чтобы разобраться, как распадаются частицы, физикам всё чаще требуется многомерный анализ данных. Сложные цепочки распадов описываются десятками параметров, для извлечения которых нужно одновременно фитировать несколько переменных – спектры масс и угловые распределения продуктов распада.
Для снижения размерности и упрощения таких фитов популярны такие подходы, как метод главных компонент, деревья решений, нейронные сети и др. Натренированная на моделях исследуемых процессов нейронная сеть может аккумулировать информацию из дюжины входных переменных и выдать один/два параметра, позволяющих, к примеру, максимально хорошо отделить сигнал от фонового шума. Существуют, однако, и более сложные ситуации, когда полноценных многомерных фитов данных не избежать. К примеру, если несколько сигнальных и несколько фоновых процессов не факторизуются (т.е. смешаны между собой сложным образом, взаимно скоррелированы), то анализировать их можно только совместно по всем кинематическим переменным.
В работе рассматривается ситуация, когда определение параметров модели распадов B-мезонов одновременно по нескольким смешанным каналам осуществляется путем шестимерного фита кинематических переменных. Фит подбирает параметры матричного элемента распадов и в зависимости от них присваивает веса Монте-Карло событиям, описывающим наблюдаемые данные. Для оценки качества такого фита предлагается так называемый метод “ближайших соседей” (Nearest Neighbors). В этом подходе, каждое взвешенное на матричный элемент Монте-Карло событие рассматривается как вклад в N-мерную функцию плотности вероятности в своей окрестности в пространстве параметров.
Метод позволяет фитировать в многомерии сложные физические модели, не имеющие аналитического представления, аккуратно учитывать эффекты реконструкции в экспериментальной установке, не требует больших вычислительных мощностей и может эффективно распараллеливаться на несколько потоков вычисления.
Наши публикации
