[論文レビュー] An implementation of neural simulation-based inference for parameter estimation in ATLAS

G. Aad, Erlend Aakvaag+2876 more|arXiv (Cornell University)|Jan 1, 2024

Particle Detector Development and Performance被引用数 2

ひとこと要約

本論文は、ヒストグラムのビニングを回避する神経ネットワークを用いた尤度比推定により、ATLASにおける高次元でアンビン（unbinned）なパrameter推定のためのニューラルシミュレーションベースの推論（NSBI）フレームワークを提示する。シミュレーションされたオフシェル・ヒッグス粒子の結合定数測定において、従来のヒストグラムベースの手法に比べて感度が向上することを示し、限られたモンテカルロサンプルからの不確実性とシステムティック効果を診断法とネイマン構成を用いて厳密に定量化している。

ABSTRACT

Neural simulation-based inference is a powerful class of machine-learning-based methods for statistical inference that naturally handles high-dimensional parameter estimation without the need to bin data into low-dimensional summary histograms. Such methods are promising for a range of measurements, including at the Large Hadron Collider, where no single observable may be optimal to scan over the entire theoretical phase space under consideration, or where binning data into histograms could result in a loss of sensitivity. This work develops a neural simulation-based inference framework for statistical inference, using neural networks to estimate probability density ratios, which enables the application to a full-scale analysis. It incorporates a large number of systematic uncertainties, quantifies the uncertainty due to the finite number of events in training samples, develops a method to construct confidence intervals, and demonstrates a series of intermediate diagnostic checks that can be performed to validate the robustness of the method. As an example, the power and feasibility of the method are assessed on simulated data for a simplified version of an off-shell Higgs boson couplings measurement in the four-lepton final states. This approach represents an extension to the standard statistical methodology used by the experiments at the Large Hadron Collider, and can benefit many physics analyses.

研究の動機と目的

• ヒストグラムのビニングによる情報損失を回避する、高次元パrameter推定に耐性がありスケーラブルなNSBIフレームワークの開発。
• 標準的なLHC統計的手法に整合する形で、多数のシステムティック不確実性を統合すること。
• ニューラルネットワークベースの尤度比推定における有限なモンテカルロサンプルサイズに起因する不確実性の定量と検証。
• NSBIの文脈においてネイマン構成を用いて信頼性のある信頼区間を構築すること。
• 四レプトン最終状態における実際のオフシェル・ヒッグス粒子結合定数測定を通じて、本手法の実用可能性と感度の向上を実証すること。

提案手法

• 信号とバックグラウンドの仮説間の確率密度比を推定する神経ネットワークを用い、ビニングなしで尤度比を推定する。
• アンサンブルベースの訓練を採用し、密度比推定の信頼性を向上させるとともに、不確実性を定量化する。
• ネストラルパラメータ（ヌイアンスパラメータ）を、プロファイリングされた対数尤度アプローチにより尤度比関数に直接統合する。
• 再重み付けとキャリブレーションの診断を用いて、推定された尤度比の信頼性を検証する。
• 疑似実験とネイマン構成を適用し、再重み付けで負の重みが生じる可能性がある状況でも、有効な信頼区間を生成する。
• 物理的寄与の解析的因数分解を統合し、効率的なトレーニングと不確実性の伝搬を可能にする。

実験結果

リサーチクエスチョン

• RQ1 ニューラルシミュレーションベースの推論は、高次元でアンビンなデータと多数のシステムティック不確実性を伴うLHC全般的な解析に、効果的にスケーリング可能か？
• RQ2 有限なモンテカルロサンプルサイズに起因する不確実性は、NSBIモデルにおいてどのように定量され、伝搬されるべきか？
• RQ3 再重み付けによって負の重みが生じる場合でも、ネイマン構成を用いてNSBIで信頼性のある信頼区間を構築できるか？
• RQ4 非線形なパrameter依存性を有する場合、NSBIの感度は従来のヒストグラムベースの手法に比べてどのように異なるか？
• RQ5 高エネルギー物理学の文脈において、NSBIモデルの堅牢性と信頼性を検証するために必要な十分な診断ツールは何か？

主な発見

• オフシェル・ヒッグス粒子結合定数測定において、NSBIフレームワークはヒストグラムベースの手法に比べて顕著な感度向上を達成しており、とりわけパラメータの依存性が非線形である領域で顕著である。
• 本手法は100以上のシステムティック不確実性を効果的に統合し、実際のLHC解析の複雑さに耐えうるスケーラビリティを示した。
• 再重み付けのクロージャー、キャリブレーションのクロージャー、アンサンブルの広がりといった診断チェックにより、推定された尤度比の堅牢性と信頼性が確認された。
• 有限なモンテカルロサンプルサイズに起因する不確実性は定量され、その影響はテストされたシナリオにおいて最終的な区間カバレッジに1%未満に抑えられていた。
• 疑似実験を用いたネイマン構成により、正しいカバレッジ特性を持つ信頼区間が得られ、本手法の統計的妥当性が検証された。
• 本フレームワークは、高次元でアンビンなデータ空間における完全なパラメータ推定を可能にし、単一観測量のヒストグラムベース手法に内在する感度損失を回避した。