[論文レビュー] Efficient description of experimental effects in amplitude analyses

A. Mathad, D. P. O’Hanlon+2 more|arXiv (Cornell University)|Feb 4, 2019

Particle physics theoretical and experimental studies参考文献 4被引用数 1

ひとこと要約

本論文は、ハドロン崩壊の多次元アモルティッド解析における非一様な検出器効率およびバックグラウンド分布の効率的で正則化されたモデリングのため、ガウス過程と人工ニューラルネットワークの高度な機械学習手法を提案する。これらの手法は、サイドバンドからの正確な外挿と物理的制約を反映したパrameterizationを可能にし、系統的不確実性と計算コストを低減することを示している。特に、ニューラルネットワークは50×50のビン分割テストでχ²/nDoF = 2472.6/2491の高い適合度を達成した。

ABSTRACT

Amplitude analysis is a powerful technique to study hadron decays. A significant complication in these analyses is the treatment of instrumental effects, such as background and selection efficiency variations, in the multidimensional kinematic phase space. This paper reviews conventional methods to estimate efficiency and background distributions and outlines the methods of density estimation using Gaussian processes and artificial neural networks. Such techniques see widespread use elsewhere, but have not gained popularity in use for amplitude analyses. Finally, novel applications of these models are proposed, to estimate background density in the signal region from the sidebands in multiple dimensions, and a more general method for model-assisted density estimation using artificial neural networks.

研究の動機と目的

• 多次元アモルティッド解析における非一様な検出器効率およびバックグラウンド分布のモデリングという課題に対処する。
• 従来の、しばしば最適でない効率およびバックグラウンドのパrameterizationに起因する系統的不確実性を低減する。
• 大規模で計算コストの高いモンテカルロシミュレーションへの依存を最小限に抑え、データ駆動型で滑らかで正則化されたモデルを可能にする。
• 特に高次元の位相空間においても、信号領域へのバックグラウンド密度の頑健な外挿を可能にする。
• 物理的依存関係を組み込んだモデル支援型ニューラルネットワークパrameterizationを導入し、モデルの解釈可能性と制約を向上させる。

提案手法

• 滑らかさと不確実性の評価が組み込まれた非パラメトリックな手法として、ガウス過程を用いて効率およびバックグラウンド密度をモデリングする。
• 高次元密度推定に人工ニューラルネットワーク（ANN）を適用し、シミュレーションデータを用いて複雑な多次元相関を学習する。
• 関数形に関する仮定を必要としない、GP もしくは ANN モデルを用いた新しい手法により、サイドバンドから信号領域へのバックグラウンド密度の外挿を実現する。
• 物理的パrameter（例：pT、質量カット）への依存関係を学習するモデル支援型 ANN フレームワークを構築し、物理的根拠に基づいた正則化を可能にする。
• パラメータを変化させたシミュレーションサンプルを用いて、7次元（効率）または11次元（バックグラウンド）の密度分布全体を学習する。
• 非ビン化最大尤度推定において、正規化された尤度を用い、F(x|ΘA) は信号アモルティッド、効率 ϵ(x)、およびバックグラウンド B(x) を組み合わせる。式は −2lnL = −2∑lnF(xi|ΘA) で表される。

実験結果

リサーチクエスチョン

• RQ1 ガウス過程とニューラルネットワークは、従来の手法と比較して、アモルティッド解析における検出器効率のパラメトリック化をより正確かつ効率的に行えるか？
• RQ2 特定の関数形を仮定せずに、サイドバンドから信号領域へのバックグラウンド密度の信頼性の高い外挿は可能か？
• RQ3 ニューラルネットワークは、運動量変数と検出器レベルの効果の間の複雑な多次元相関をどの程度正確に学習できるか？
• RQ4 モデル支援型ニューラルネットワークは、物理的依存関係を密度モデルに組み込むことで、系統的不確実性を低減できるか？
• RQ5 これらの高度な手法は、現実のハドロン崩壊解析における次元数およびデータ量の増加にどのようにスケーリングするか？

主な発見

• 提案されたニューラルネットワークベースのバックグラウンドモデルは、50×50のビン分割テストで、真の分布と良好な一致を示すχ²/nDoF = 2472.6/2491の適合度を達成した。
• ニューラルネットワークは、ケイソンの平均pT（0.277 ± 0.010 GeV vs. 真値 0.3 GeV）といった重要なバックグラウンドモデルパラメータを高い精度で再構築した。
• ガウス過程とニューラルネットワークの使用により、滑らかで正則化された効率およびバックグラウンドのモデリングが可能となり、大規模なモンテカルロサンプルへの依存が軽減された。
• モデル支援型 ANN アプローチにより、物理的パラメータへの潜在的依存関係が抽出可能となり、モデルの解釈可能性と制約が向上した。
• 高次元位相空間において、GP もしくは ANN モデルを用いたサイドバンドからのバックグラウンド外挿は効果的であり、運動量相関に起因するバイアスを軽減した。
• これらの手法は、共同して、アモルティッド解析における機器効果のより効率的かつ正確なモデリングを可能にし、系統的不確実性と計算コストを低減した。