[論文レビュー] Back to the Formula -- LHC Edition

Anja Butter, Tilman Plehn+2 more|arXiv (Cornell University)|Sep 21, 2021

Particle physics theoretical and experimental studies被引用数 9

ひとこと要約

この論文は、PySRを用いた記号的回帰により、シミュレートされた行列要素データから人間が読み取り可能な解析的式を抽出し、最適なLHC観測量を取得する手法を紹介している。この手法はニューラルネットワークと同等の性能を達成する。また、WBFヒッグス生成における既知のCP対称性破れ観測量を成功裏に回復し、検出器効果が存在する中でも、$p_{T,1}p_{T,2}\sin(\Delta\phi)$ といった単純な式がニューラルネットワークと同等の性能を示すことを示している。

ABSTRACT

While neural networks offer an attractive way to numerically encode functions, actual formulas remain the language of theoretical particle physics. We show how symbolic regression trained on matrix-element information provides, for instance, optimal LHC observables in an easily interpretable form. We introduce the method using the effect of a dimension-6 coefficient on associated ZH production. We then validate it for the known case of CP-violation in weak-boson-fusion Higgs production, including detector effects.

研究の動機と目的

• ブラックボックスな機械学習と解釈可能な理論物理学の間のギャップを埋めるために、LHCシミュレーションデータから解析的式を抽出すること。
• LHC解析で用いられるニューラルネットワークベースの最適観測量における解釈可能性の欠如に対処すること。
• 記号的回帰が、ヒッグスおよび弱ボソン融合過程における最適観測量を構築するニューラルネットワークの代替手段として有効であることを検証すること。
• 記号的回帰が、WBFヒッグス生成におけるCP対称性破れウィルソン係数の既知の理論的式を回復できることを示すこと。
• 実際の検出器効果と変動するウィルソン係数値の下で、導出された式の性能を数値的に訓練されたニューラルネットワーク（Sally）と比較すること。

提案手法

• 特定のプロセス（ZHおよびWBFヒッグス生成）のシミュレートされたLHCイベントから行列要素情報を抽出するためにMadMinerを活用する。
• PySRを用いて、高次元の位相空間データから最適観測量（スコア）の閉形式解析的式を学習する記号的回帰を適用する。
• LHC観測量の関数的複雑性、特に大きなウィルソン係数の場合に適応するよう、標準的なPySRアルゴリズムを改変する。
• 完全微分断面積から導出された尤度比をスコア関数として用い、記号的モデルを訓練する。
• MSEおよびスコア重み付きMSEの指標を用いて、記号的式と数値的に訓練されたニューラルネットワーク（Sally）を比較することで、結果の妥当性を検証する。
• 部分粒子レベルの行列要素だけでなく、現実のイベントレベルシミュレーションを用いて、検出器効果とジェット放射を組み込む。

Figure 1 : Kinematic distributions for $ZH$ production at parton level with different Wilson coefficients $f_{B}$ . We define $\eta_{\pm}=\eta_{Z}\pm\eta_{H}$ .

実験結果

リサーチクエスチョン

• RQ1 記号的回帰は、WBFヒッグス生成におけるCP対称性破れの最適観測量として既知の解析的式 $p_{T,1}p_{T,2}\sin(\Delta\phi)$ を回復できるか？
• RQ2 MSEおよび統計的有意性の観点から、記号的回帰で得られた式の性能は、数値的に訓練されたニューラルネットワーク（Sally）と比べてどの程度か？
• RQ3 ウィルソン係数が大きく、非摂動的効果が顕在化する場合でも、記号的回帰が解釈可能でコンパクトな式を生成できるか？
• RQ4 検出器効果とジェット放射を記号的回帰に組み込むと、性能に著しい劣化が生じるか？
• RQ5 記号的式アプローチは、完全なニューラルネットワークフレームワークと比較して、遮断限界の感度を維持できるか？

主な発見

• 記号的回帰手法は、WBFヒッグス生成におけるCP対称性破れウィルソン係数 $f_{W\widetilde{W}}$ に対して、理論的期待に一致する既知の解析的式 $p_{T,1}p_{T,2}\sin(\Delta\phi)$ を成功裏に回復した。
• 小さなウィルソン係数の場合、PySRで得られた式は、数値的に訓練されたSallyニューラルネットワークとほぼ同等の性能を発揮し、ほとんどの場合でMSE差が1%未満であった。
• 大きなウィルソン係数（$f_B = 10/\text{TeV}^2$）に対しても、記号的回帰は真のスコアに高い忠実度を保つ有理関数を生成したが、その複雑さは増加した。
• 検出器効果の組み込みにより性能が著しく低下せず、現実のシミュレーション条件下でも記号的式は安定した。
• スコア重み付きMSEの分析から、最良の記号的式では性能とイベントスコアの相関が平坦であることが判明し、位相空間全体にわたる一貫性ある性能が示された。
• 本研究では、単純で解釈可能な式が、感度の損失なしに複雑なニューラルネットワークを置き換えられることを示した。これにより、透明性と理論的誘導に基づく推論が可能になった。

Figure 2 : Kinematic $\eta_{-}$ vs $\eta_{+}$ correlations for $ZH$ production with $f_{B}=0,10$ . We show $p_{T}$ -slices in the boosted regime.