[論文レビュー] Fast and Flexible Analysis of Direct Dark Matter Search Data with Machine Learning

LUX Collaboration, D. S. Akerib+98 more|White Rose Research Online (University of Leeds, The University of Sheffield, University of York)|Jan 15, 2022

Dark Matter and Cosmic Phenomena参考文献 47被引用数 5

ひとこと要約

本論文では、従来の時間のかかる分析パイプラインに代わって、高速で微分可能なニューラルネットワークモデルを用いる機械学習フレームワークを提示する。この手法により、液体キセノン検出器におけるパルス波形分離の高精度なシミュレーションが可能となり、最小限のトレーニングデータで、迅速で柔軟かつ正確なイベント分類が実現される。実際のキャリブレーションデータを用いた検証が、複数のエネルギー領域および検出器条件で行われた。

ABSTRACT

We present the results from combining machine learning with the profile likelihood fit procedure, using data from the Large Underground Xenon (LUX) dark matter experiment. This approach demonstrates reduction in computation time by a factor of 30 when compared with the previous approach, without loss of performance on real data. We establish its flexibility to capture non-linear correlations between variables (such as smearing in light and charge signals due to position variation) by achieving equal performance using pulse areas with and without position-corrections applied. Its efficiency and scalability furthermore enables searching for dark matter using additional variables without significant computational burden. We demonstrate this by including a light signal pulse shape variable alongside more traditional inputs such as light and charge signal strengths. This technique can be exploited by future dark matter experiments to make use of additional information, reduce computational resources needed for signal searches and simulations, and make inclusion of physical nuisance parameters in fits tractable.

研究の動機と目的

• 従来の直接ダークマター探索分析パイプラインが遅く不柔軟であるのを補う、計算的に効率的で柔軟な代替手法の開発。
• 液体キセノン検出器における核反発（NR）および電子反発（ER）イベントの迅速かつ高精度な分類を機械学習を用いて実現。
• 電界、ドリフト時間、および低S1パルス面積の変動する条件下で、実際のキャリブレーションデータと照合して機械学習モデルを検証。
• 低光子数におけるタイミングジッターおよびパルス波形歪みといった、検出器固有の複雑な効果をモデルが正しく捉えられるかの確認。
• 入力空間の相関関係を完全に保持するシミュレーションフレームワークを提供し、単純化された仮定によるバイアスなしに信頼性のあるトレーニングと推論を可能にする。

提案手法

• シミュレート済みおよびキャリブレーション済み検出器データから、パルス波形分離（PSD）特徴量を予測する微分可能なニューラルネットワーク（NN）をトレーニング。
• 実際のキャリブレーションデータ（DD中性子、CH₃T、および¹⁴CH₄源）を用いて、電界、ドリフト時間、S1面積に依存する依存関係を最適化。
• 有限波形サンプリング（10 ns）に対する経験的補正として、プロンプト統合ウィンドウにランダムオフセットを追加。
• 低エネルギーキャリブレーションデータへのフィットに基づき、低下指数関数的調整を適用して、低S1イベント（≤10 phd）にプロンプト分率1を割り当てる。
• S1面積が5 phd未満の場合、データおよびシミュレーションの両方に、5 phdにおけるERとNRの値の真ん中に中心を置いた切断正規分布から抽出されたプロンプト分率を割り当てる。標準偏差は両者と一致させる。
• 複数の検出器条件およびエネルギー領域において、シミュレートされたPSD分布と測定キャリブレーションデータの比較を通じて、モデルの性能を検証。

実験結果

リサーチクエスチョン

• RQ1 簡略化されたまたは解析的近似に依存せずに、機械学習モデルが液体キセノン検出器におけるパルス波形分離を正確にシミュレートできるか。
• RQ2 微分可能なニューラルネットワークが、タイミングジッターおよび電界依存のパルス波形変化といった複雑な検出器効果をどれほど正確に再現できるか。
• RQ3 パルス波形の定義が困難な低S1パルス面積領域において、モデルがどれほど高い忠実度を維持できるか。
• RQ4 入力特徴量の完全な相関構造を保持しつつ、限られたキャリブレーションデータで効果的にモデルをトレーニングできるか。
• RQ5 異なる検出器構成およびエネルギー領域において、モデルの出力が実データと一貫性を保っているか。

主な発見

• 機械学習モデルは、電界およびドリフト時間に依存するパルス波形分離の依存関係を、2014–2016年のデータ取得期間のキャリブレーションデータと一致させることに成功した。
• 5 phd未満の低S1イベント（≤5 phd）のプロンプト分率分布を、ERとNR源の中間の平均値と両者と同等の標準偏差を持つ切断正規分布を用いることで、正確に捉えた。
• 有限サンプリング（10 ns）に対する経験的補正は、低光子数イベントにおけるシミュレーションとデータの一致を顕著に改善した。
• ニューラルネットワークの出力は、すべてのキャリブレーション源（DD中性子（NR）、CH₃T（低エネルギーER）、¹⁴CH₄（高エネルギーER））と良好に一致し、モデルの予測能力を裏付けた。
• 入力空間の相関関係を保持する能力のおかげで、低S1領域におけるプロンプト分率に、信頼性の低い特徴量がモデルに学習されないことを確認した。
• 検証プロセスにより、シミュレーションフレームワークが堅牢であり、高速で柔軟かつ正確なダークマター探索分析に適していることが確認された。