[論文レビュー] Loop Amplitudes from Precision Networks

Simon Badger, Anja Butter+3 more|arXiv (Cornell University)|Jun 29, 2022

Reservoir Engineering and Simulation Methods被引用数 11

ひとこと要約

本稿では、ハイ・リターン・リーガル・リーグ（HL-LHC）における二光子＋ジェット生成過程を対象として、損失に基づくおよび性能に基づくブースティングを用いたベイジアンニューラルネットワーク（BNNs）を用いて、量子場理論における1ループ振幅を学習することを提案する。この手法は、トレーニングデータで1%未塔の精度を達成し、テストデータでパーセントレベルの精度を示し、高振幅領域での顕著な改善と、訓練データが少ない状況でも頑健な不確実性推定を実現している。

ABSTRACT

Evaluating loop amplitudes is a time-consuming part of LHC event generation. For di-photon production with jets we show that simple, Bayesian networks can learn such amplitudes and model their uncertainties reliably. A boosted training of the Bayesian network further improves the uncertainty estimate and the network precision in critical phase space regions. In general, boosted network training of Bayesian networks allows us to move between fit-like and interpolation-like regimes of network training.

研究の動機と目的

• ハイ・マルチプレキティプロセス（例：$gg \to \gamma\gamma g$）における1ループ振幅を、効率的かつ高精度に計算する課題に対処すること。
• 標準的手法が希なトレーニングデータによる位相空間領域で失敗する場合に、機械学習の代替モデルの精度を向上させること。
• 損失に基づくおよび性能に基づくブースティングを用いたベイジアンネットワークにおける、フィット的および補間的領域の間の滑らかな遷移を実現するトレーニング戦略を開発すること。
• ベイジアンネットワークの本質的な確率的フレームワークを活用し、高精度な振幅予測と同時に信頼性の高い不確実性推定を保証すること。

提案手法

• 著者らは、20次元の位相空間を変数とするループ振幅を回帰する目的で、ベイジアンニューラルネットワーク（BNNs）を用い、振幅値とその不確実性の両方を学習する。
• BNNの尤度損失に基づく再重み付けにより、ネットワークの自信が低い領域を優先する損失ベースのブースティングを導入する。
• 最大の振幅値における損失を増幅することで、性能ベースのブースティングを適用し、特に重要な位相空間領域における補間精度を向上させる。
• このトレーニング戦略により、フィット的領域と補間的領域の間の滑らかな遷移が可能となり、不確実性推定の劣化を伴わずに精度が向上する。
• この手法は、$2\to 3$過程$gg \to \gamma\gamma g$に対して検証され、より複雑な$2\to 4$過程$gg \to \gamma\gamma gg$へと拡張され、より大きなネットワークアーキテクチャが採用された。
• 不確実性の一貫性はプル分布を用いて評価され、トレーニングデータとテストデータの運動量分布を比較することで一般化性能の評価がなされた。

実験結果

リサーチクエスチョン

• RQ1 損失に基づくおよび性能に基づくブースティング戦略を用いたベイジアンネットワークは、限られたトレーニングデータでも、全位相空間にわたり高精度な振幅回帰を達成できるか？
• RQ2 損失ベースのブースティングは、振幅回帰のためのベイジアンニューラルネットワークトレーニングにおける不確実性推定をどのように改善するか？
• RQ3 性能ベースのブースティングは、LHCの素粒子物理学において重要な高振幅領域における精度をどの程度向上させるか？
• RQ4 ブースティング戦略の組み合わせは、補間性能を顕著に向上させる一方で、信頼性の高い不確実性推定を維持できるか？
• RQ5 トレーニングデータが削減された場合、この手法はどの程度頑健であり、精度と不確実性の一貫性を保っているか？

主な発見

• 基本的なBNNは、$2\to 3$過程においてトレーニングデータで1%未塔の精度を達成し、テストデータでパーセントレベルの一致を示した。
• 性能ベースのブースティングにより、最大1%の振幅領域における精度がパーセントレベルまで向上し、特に重要な位相空間領域での精度が顕著に向上した。
• 損失ベースのブースティングは、良好な不確実性推定をもたらしたが、性能ベースのブースティングはトレーニングデータ上ではわずかに不確実性推定の品質が低下したが、全体の精度向上に寄与した。
• データ削減に対しても手法は頑健である：トレーニングサンプルを90kから9kに削減しても、ブースティングのおかげで精度の低下はわずかであった。
• 運動量分布の結果から、性能ベースのブースティングは、サンプルが希な尾部領域における予測を顕著に改善したが、わずかな不確実性推定のトレードオフを伴っても、テストデータへの一般化性能は良好であった。
• $2\to 4$過程では、ブーストドBNNが改善された振幅精度と一貫性のある不確実性推定を達成した。性能ブースティング後に過学習が観察されたため、補間的領域へのシフトが成功したと示唆された。