[論文レビュー] Kicking it Off(-shell) with Direct Diffusion

Anja Butter, Tomáš Ježo+4 more|arXiv (Cornell University)|Nov 28, 2023

Computational Physics and Python Applications被引用数 4

ひとこと要約

本論文は、オンシェルLHCイベントをオフシェル状態に効率的に変換する生成的機械学習手法であるDirect Diffusion (DiDi)を提案する。この手法は、オンシェルピークを超えた位相空間の拡張を学習することで、オフシェルの運動量分布に対して相対誤差10%未塔の精度を達成し、オンシェル特徴量についても5%未塔の精度を実現する。分類器再重み付けにより精度は数パーセントレベルまで向上し、将来のHL-LHC物理学における複雑なオフシェル背景の高速かつ高精度なシミュレーションを可能にする。

ABSTRACT

Off-shell effects in large LHC backgrounds are crucial for precision predictions and, at the same time, challenging to simulate. We present a novel method to transform high-dimensional distributions based on a diffusion neural network and use it to generate a process with off-shell kinematics from the much simpler on-shell one. Applied to a toy example of top pair production at LO we show how our method generates off-shell configurations fast and precisely, while reproducing even challenging on-shell features.

研究の動機と目的

• 高エネルギー物理学のシミュレーションにおいて、特に大規模なLHC背景に対して、正確なオフシェル運動量配置を生成する課題に対処すること。
• トップクォーク対生成および崩壊の精度予測におけるオンシェル近似の限界を克服すること。
• オンシェル特徴量の精度を損なわず、オンシェルイベントからオフシェル位相空間へのマッピングを可能にする、高速でモジュール型かつ合成可能な生成的サーヴィレートを開発すること。
• 標準的なイベントジェネレータ（例：MadGraph）への効率的な統合を可能にするために、LHE形式に対応させ、将来のHL-LHC解析に活用すること。
• トレーニングデータの統計的限界を追跡できるように、ベイジアンディープラーニングを用いて保守的な不確実性推定を提供すること。

提案手法

• オンシェルイベントからオフシェル状態へのマッピングを学習する条件付き拡散生成モデル（DiDi）を訓練し、単純なユニット変換から位相空間の拡張を学習する。
• ベイジアン-CFM拡散アーキテクチャを用いて、複雑なオフシェル位相空間をモデル化しながら、可逆性とサンプリング効率を維持する。
• 分類器再重み付けを適用し、分布バイアスを是正し、特にテール部や共鳴構造部における精度を向上させる。
• 小規模で高品質なオンシェルトレーニングデータセットを活用し、制御された外挿を伴う大幅に大きなオフシェルデータセットを生成する。
• ベイジアン不確実性推定を用いて予測不確実性を推定し、トレーニングデータの統計的限界を追跡する。
• 訓練済みモデルを、標準的なLHEイベントフォーマットと互換性を持つモジュール型パイプラインに統合し、イベントジェネレータでの利用を可能にする。

Figure 1 : Example distributions for on-shell and off-shell $t\bar{t}$ event samples, illustrating the different phase space coverage. The right panels show the same distribution as the left panels, but zoomed into the respective bulk region.

実験結果

リサーチクエスチョン

• RQ1 生成的モデルは、オンシェル特徴量の精度を損なわず、オンシェルイベントから正確なオフシェルイベント配置を生成できるか？
• RQ2 分類器再重み付けは、共鳴テール部など高感度領域におけるオフシェル運動量分布の精度をどのように向上させるか？
• RQ3 小規模で低複雑性の拡散ネットワークが、オンシェルピークの精度を保持しつつ、オフシェル位相空間で相対誤差10%未塔を達成できるか、その範囲はどの程度か？
• RQ4 拡散モデルにおけるベイジアン不確実性推定は、外挿領域に対して信頼性があり保守的な誤差境界を提供できるか？
• RQ5 提案手法は、将来のHL-LHC解析に向けた標準的なイベントジェネレータへの統合を想定してスケーラブルかつ合成可能か？

主な発見

• DiDiモデルは、オンシェル特徴量を相対誤差5%未塔で再現し、元のオンシェル位相空間との高忠実度を確認した。
• オフシェル運動量分布、特に$m_{\bar{l}b}$と$p_{T,\bar{b}}$は、全位相空間にわたり相対誤差10%未塔で再現され、不確実性はトレーニングデータと整合的である。
• 分類器再重み付けにより、精度誤差が数パーセントレベルにまで低下し、特にテール部および共鳴領域での性能向上が顕著に見られた。
• DiDiのベイジアン拡張により、保守的な不確実性推定が得られ、トレーニングデータの統計的限界を追跡できるようになり、信頼性のある不確実性評価が可能になった。
• 限られたトレーニングデータと小規模なネットワークでも高い性能を達成しており、実世界のLHCシミュレーションパイプラインへの実現可能性を示した。
• モデルはLHEフォーマットと互換性があり、MadGraphなどのイベントジェネレータに直接統合可能であり、将来的な解析において即座に利用可能なプラグアンドプレイの仕組みを実現した。

Figure 2 : Training procedure for a CFM network mapping between on-shell and off-shell phase space distributions. Diagram adapted from Ref [ 33 ] .