[論文レビュー] Efficiency Parameterization with Neural Networks

Chiara Badiali, F. A. Di Bello+5 more|arXiv (Cornell University)|Apr 6, 2020

Particle physics theoretical and experimental studies参考文献 10被引用数 5

ひとこと要約

本論文は、高エネルギー物理学における多次元効率マップのパrametrizationを目的としたグラフニューラルネットワーク（GNN）ベースの手法を提案する。この手法により、ジェット間の複雑な相関をモデル化することで、正確で普遍的なジェットタギング効率の推定が可能になる。従来のビン化マップに比べ、局所的な密度比を学習することで統計的ゆらぎを低減し、未学習の分布に対しても良好に一般化される。この有効性は、ヒッグス粒子がbクォークに崩壊するモデルを用いたトゥイモデルで検証された。

ABSTRACT

Multidimensional efficiency maps are commonly used in high energy physics experiments to mitigate the limitations in the generation of large samples of simulated events. Binned multidimensional efficiency maps are however strongly limited by statistics. We propose a neural network approach to learn ratios of local densities to estimate in an optimal fashion efficiencies as a function of a set of parameters. Graph neural network techniques are used to account for the high dimensional correlations between different physics objects in the event. We show in a specific toy model how this method is applicable to produce accurate multidimensional efficiency maps for heavy flavor tagging classifiers in HEP experiments, including for processes on which it was not trained.

研究の動機と目的

• 高エネルギー物理学におけるビン化効率マップの統計的限界を解決すること。これは、ジェットタギングにおける複雑な多次元相関を捉えられていないためである。
• 多様な位相空間領域においても、明示的にそれらのデータで訓練されていなくても正確に保たれる、分類器効率の普遍的パラメータ化を開発すること。
• グラフニューラルネットワークを活用し、単一ジェットの特性からジェットごとの相関を推定することで、偏りのないイベント単位の効率推定を可能にすること。
• 選択カットを学習された連続的効率重みに置き換えることで、LHC解析におけるモンテカルロの統計的不確実性を低減すること。
• 補完的クラスを超えて一般化し、多次元スケールファクター推定への応用を可能にする

提案手法

• 本手法は、グラフニューラルネットワーク（GNN）を用いて、多次元位相空間における局所的密度比として、bタギング分類器の効率をモデル化する。
• イベント内のジェットはグラフのノードとして表現され、∆R(i,j) などの運動量的特徴に基づいて、相関が暗黙的にエンコードされたエッジが形成される。相関特徴を明示的に入力とする必要はない。
• GNNは、ジェット特性θ（例：pT、η）の関数として効率ε(θ)を予測するように訓練され、局所的近傍におけるbジェットと非bジェットの密度比を学習する。
• 損失関数は、密度比推定を最適化するように設計されており、分布外のサンプルに対しても頑健な一般化を可能にする。
• ジェット単位の効率を組み合わせて、モンテカルロサンプルの再重み付けに使用する偏りのないイベント単位の重みを計算する。従来の選択カットに代わるものである。
• 本手法は、ATLAS/CMSにインspiredされたbタギング性能に基づくトゥイモデルを用いて検証され、真の効率マップを基準として用いた。

実験結果

リサーチクエスチョン

• RQ1 GNNベースの手法は、高エネルギー物理学において、学習分布を超えて一般化可能な正確な多次元効率マップを学習できるか？
• RQ2 従来のビン化効率マップと比較して、GNNモデルはジェット間の多次元相関をどの程度正確に捉えられるか？
• RQ3 本手法は、多様な位相空間領域においても正確さを保ちながら、モンテカルロサンプルの統計的ゆらぎをどの程度低減できるか？
• RQ4 入力分布が学習データと異なる場合でも、GNNベースの効率パラメータ化を用いて信頼性の高いイベント単位の重みを導出できるか？
• RQ5 イベントレベルの運動量的構造における真の効率分布との整合性を考慮すると、本手法は標準的なマップベース手法と比べてどの程度優れているか？

主な発見

• GNNベースの手法は、真の直接的なbタギング効率を用いた場合と同様に、ジェット単位およびイベント単位の運動量的分布を高い精度で再現した。
• 学習データとは著しく異なる入力分布を有するサンプルに対しても、本手法は効果的に一般化され、強力な頑健性と普遍性を示した。
• GNNは、統計的限界により相関を解像できない従来のビン化マップに比べ、複雑な多次元相関を捉える点で優れた性能を示した。
• 推定された効率比は安定的かつ適切にキャリブレーションされており、イベント単位の再重み付け手順において最小限のバイアスが生じ、感度向上用途への適性が裏付けられた。
• 複雑で非自明なジェット特性間の依存関係に対しても、事前の仮定なしに、効率の背後にある関数的構造を正確に学習した。
• 標準的なマップベース手法における相関の不完全な捉え込みに起因する系統的不確実性を低減し、検出器性能モデリングのより信頼性の高い代替手段を提供した。