[論文レビュー] Foundations of a Fast, Data-Driven, Machine-Learned Simulator

J. Howard, Stephan Mandt+2 more|arXiv (Cornell University)|Jan 22, 2021

Particle physics theoretical and experimental studies参考文献 33被引用数 16

ひとこと要約

本論文では、教師なし確率的オートエナボーダを用いて観測データから検出器応答変換を学習する高速でデータ駆動型のシミュレータ、OTUSを紹介する。この手法により、Zボソンやトップクォークの崩壊といった素粒子物理学の事象を、高精度でリアルタイムにシミュレート可能となり、高コストなモンテカルロシミュレーションに代わる物理的に意味のある潜在空間を学習する。事前シミュレーションデータが不要であり、高い忠実度を実現する。

ABSTRACT

We introduce a novel strategy for machine-learning-based fast simulators, which is the first that can be trained in an unsupervised manner using observed data samples to learn a predictive model of detector response and other difficult-to-model transformations. Across the physical sciences, a barrier to interpreting observed data is the lack of knowledge of a detector's imperfect resolution, which transforms and obscures the unobserved latent data. Modeling this detector response is an essential step for statistical inference, but closed-form models are often unavailable or intractable, requiring the use of computationally expensive, ad-hoc numerical simulations. Using particle physics detectors as an illustrative example, we describe a novel strategy for a fast, predictive simulator called Optimal Transport based Unfolding and Simulation (OTUS), which uses a probabilistic autoencoder to learn this transformation directly from observed data, rather than from existing simulations. Unusually, the probabilistic autoencoder's latent space is physically meaningful, such that the decoder becomes a fast, predictive simulator for a new latent sample, and has the potential to replace Monte Carlo simulators. We provide proof-of-principle results for $Z$-boson and top-quark decays, but stress that our approach can be widely applied to other physical science fields.

研究の動機と目的

• 物理科学における不完全な検出器応答のモデル化という課題に取り組む。これは、隠れた物理的データを曇らせ、統計的推論を困難にする。
• 高価で手作業の数値シミュレーションや事前シミュレーションが不要な、高速で予測可能なシミュレータを開発すること。
• 教師なしの方法で、観測データサンプルから直接検出器応答変換を学習すること。
• 確率的オートエナボーダにおいて物理的に解釈可能な潜在空間を構築し、そのデコーダーが新しい潜在サンプルに対して高速で予測可能なシミュレータとして機能すること。
• 従来のモンテカルロシミュレータを、データ駆動型で機械学習された代替手法に置き換える可能性を実証すること。

提案手法

• 本手法は、観測データサンプルを用いて訓練された確率的オートエナボーダを採用し、潜在物理状態から観測された検出器応答への変換を学習する。
• オートエナボーダの潜在空間は物理的に意味のあるものに構造化されており、新しい潜在入力を用いて現実的な検出器レベルの出力を生成できる。
• 訓練は完全に教師なしであり、真の潜在状態や事前シミュレーションのデータを必要としない。
• 最適輸送理論を活用することで、学習された変換が確率的構造を保ち、潜在データの正確なアンフォールディングを可能にする。
• 訓練されたデコーダーは、新しい潜在構成に対し合成された検出器レベルのデータを生成可能な高速で微分可能なシミュレータとして機能する。
• 本アプローチは一般化可能であり、素粒子物理学を越えて、検出器応答モデル化が困難な他の分野にも適用可能である。

実験結果

リサーチクエスチョン

• RQ1 事前シミュレーションやラベル付き潜在状態に依存せずに、観測データから直接機械学習シミュレータを訓練できるか？
• RQ2 確率的オートエナボーダが物理的に意味のある潜在空間を学習し、検出器応答の高精度で高速なシミュレーションを可能にするか？
• RQ3 このようなデータ駆動型シミュレータは、正確さと速度の面で、従来のモンテカルロシミュレーションをどの程度置き換えることができるか？
• RQ4 学習されたシミュレータは、観測された検出器データから潜在物理的状態をどの程度正確に再構築できるか？
• RQ5 Zボソンやトップクォークの崩壊のような複雑な粒子崩壊過程において、このシミュレータの性能はいかがなものか？

主な発見

• OTUSフレームワークは、事前シミュレーションやラベル付き潜在データが一切不要な状態で、観測データのみから検出器応答変換を学習することに成功した。
• オートエナボーダの潜在空間は物理的に解釈可能であり、新しい潜在サンプルから現実的な検出器レベルの事象を生成できる。
• Zボソンやトップクォークの崩壊の高忠実度なシミュレーションを達成し、モンテカルロシミュレータに代わる可能性を示した。
• 訓練済みのシミュレータは、従来のモンテカルロ手法に比べて数個のオーダー速く動作しながらも、予測精度を維持している。
• 本アプローチは、観測データから潜在物理的状態を正確にアンフォールディング可能であり、素粒子物理学における統計的推論にとって不可欠である。
• フレームワークは一般化可能であり、同様の検出器応答の課題を抱える他の物理科学分野にも適用可能である。