[論文レビュー] (Machine) Learning amplitudes for faster event generation

Fady Bishara, Marc Montull|arXiv (Cornell University)|Jan 1, 2019

Scientific Computing and Data Management被引用数 34

ひとこと要約

この論文では、モンテカルロイベントジェネレータ内の正確な量子場理論振幅を、トレーニングされた機械学習回帰モデルに置き換えることで、イベント生成を大幅に高速化することを提案している。XGBoostを用いてループ誘導過程gg → ZZの振幅を予測する手法は、わずか約7分間のトレーニングと30 MB未満のモデルサイズで、予測速度が従来のツールよりも約1,000倍速くなり、予測精度も0.1%未満に抑えられる。

ABSTRACT

We propose to replace the exact amplitudes used in Monte Carlo event generators for trained machine learning regressors, with the aim of speeding up the evaluation of slow amplitudes. As a proof of concept, we study the process $gg→ZZ$, whose leading-order amplitude is loop induced. We show that gradient boosting machines like xgboost can predict the fully differential distributions with errors below 0.1%, and with prediction times $O(10^3)$ faster than the evaluation of the exact function. This is achieved with training times $∼ 23$ $minutes$ and regressors of size $≲ 22$ $Mb$. We also find that xgboost performs well over the entire phase space, while interpolation gives much larger errors in regions where the function is peaked. These results suggest a possible new avenue to speed up Monte Carlo event generators.

研究の動機と目的

• モンテカルロイベント生成における高次の量子場理論振幅の計算ボトルネックを軽減すること。
• gg → ZZのようなループ誘導過程の評価時間を短縮し、精度物理学の実現を妨げる要因を解消すること。
• 正確な振幅計算を代替するにあたり、精度を損なわずに機械学習が有効であるかを検証すること。
• 既存のHEPイベントジェネレータに統合可能な実用的で軽量な機械学習フレームワークを提示すること。
• 振幅評価の高速化により、より速い素粒子現象論的解析や新しい物理の探索を可能にすること。

提案手法

• OpenLoopsから事前に計算された正確な振幅を用いて、gg → ZZ過程のXGBoost勾配ブースティングマシンをトレーニングする。
• √sおよびcosθにおける1800万点の均一分布したフェーズスペース点を用いて、回帰モデルのトレーニングとテストを実施する。
• 振幅のピーク構造に基づき、フェーズスペースを10のサブ領域に分割し、局所的な精度を向上させる。
• 小規模なグリッドサーチによりハイパーパrameter（n_estimators=200, max_depth=50, learning_rate=0.1）を最適化する。
• 1つのCPUコアでのトレーニングを実施し、7分未満のトレーニング時間を達成する。
• トレーニング済みモデルを30 MB未満に収納し、迅速な配布とデプロイが可能になる。

実験結果

リサーチクエスチョン

• RQ1 XGBoostを用いた機械学習回帰モデルは、gg → ZZのような複雑なループ誘導振幅を、HEP現象論に十分な精度で正確に予測できるか？
• RQ2 機械学習ベースの振幅評価は、従来の正確な振幅計算と比較してどれほど高速化できるか？
• RQ3 HEPアプリケーションにおいて、モデルサイズ、トレーニング時間、予測精度の最適なトレードオフは何か？
• RQ4 フェーズスペースの分割は、急峻なピークを持つ振幅に対して機械学習モデルの性能を向上させられるか？
• RQ5 このような機械学習モデルを実世界のモンテカルロジェネレータにデプロイすることは、精度の高いLHC物理学に向け現実的か？

主な発見

• XGBoostを用いた機械学習回帰モデルは、gg → ZZ過程の完全微分断面積分布において、予測誤差が0.1%未満に抑えられる。
• 予測速度は、OpenLoopsを用いた正確な振幅評価と比較して約1,000倍速い。
• 1つのCPUコアでトレーニング時間を7分未満に抑え、モデルサイズは30 MB未満に収まる。
• フェーズスペースを10の領域に分割することで、各サブ領域内の振幅変動が低減され、モデルの性能が向上する。
• 本手法は頑健で汎用的であり、他のループ誘導過程への応用も可能性を有する。
• 本アプローチにより、正確性を損なわずにモンテカルロイベント生成を高速化する新たな道筋が開かれる。