[論文レビュー] Machine Learning tools for global PDF fits

Juan Rojo|arXiv (Cornell University)|Sep 12, 2018

Particle physics theoretical and experimental studies参考文献 18被引用数 4

ひとこと要約

本稿では、ニューラルネットワークを用いたモデルに依存しない部分子分布関数（PDF）パラメータ化、最適化に遺伝的および共分散行列適応アルゴリズム、系統的検証にクロージャー・テストを用いた、ニューラルネットワーク・パーソナル・フレームワーク（NNPDF）を用いたグローバルなQCD解析における機械学習フレームワークを提示する。この手法は、従来の方法と比較して、より高い精度と不確実性の定量化を実現する、頑健で統計的に妥当なPDFフィットを達成する。

ABSTRACT

The use of machine learning algorithms in theoretical and experimental high-energy physics has experienced an impressive progress in recent years, with applications from trigger selection to jet substructure classification and detector simulation among many others. In this contribution, we review the machine learning tools used in the NNPDF family of global QCD analyses. These include multi-layer feed-forward neural networks for the model-independent parametrisation of parton distributions and fragmentation functions, genetic and covariance matrix adaptation algorithms for training and optimisation, and closure testing for the systematic validation of the fitting methodology.

研究の動機と目的

• グローバルなQCD解析における陽子の部分子分布関数（PDF）および分岐関数（FF）のモデルに依存しない、機械学習ベースのパラメータ化手法を開発すること。
• 遺伝的アルゴリズムや共分散行列適応といった高度な最適化アルゴリズムを用いることで、PDFの決定精度と信頼性を向上させること。
• 既知の基礎となるPDFセットから生成された疑似データを用いたクロージャー・テストを通じて、フィッティング手法の系統的妥当性を検証すること。
• モンテカルロレプラカの手法とベイズ的再重み付けを用いて、PDFフィットにおける不確実性の伝搬と統計的一致性を保証すること。
• LHCの事象解析パイプラインに統合可能な、LHAPDF仕様と互換性のある高精度なPDFセットを提供すること。

提案手法

• 多層フィードフォワードニューラルネットワークを用いて、低スケール（Q₀ ≈ 1 GeV）におけるPDFおよびFFの普遍的補間関数として用い、モデルに依存しない柔軟な関数形を実現する。
• 実験的データ全体を通じてχ²の指標を最小化するように、遺伝的アルゴリズムと共分散行列適応進化戦略（CMA-ES）を用いてニューラルネットワークのパラメータを最適化する。
• トレーニングが過学習を防ぐために、検証データセットにおけるχ²が最小化される段階で停止する「バックラッククロスバリデーション」のストップ基準を適用する。
• モンテカルロレプラカを用いて、実験的不確実性をPDFの不確実性へと伝搬させ、統計的誤差推定と伝搬を可能にする。
• 既知のPDFセット（例：MMHT14、CT14）から生成された疑似データを用いてクロージャー・テストを実施し、中央値と不確実性が正しく再現されることを確認する。
• ベイズ的再重み付けを用いて、得られたPDFの不確実性が一貫した統計的解釈を有することを確認するためのクロスチェックを実施する。

実験結果

リサーチクエスチョン

• RQ1 多層フィードフォワードニューラルネットワークは、グローバルQCDフィットにおける部分子分布関数のモデルに依存しないパラメータ化として効果的に機能するか？
• RQ2 遺伝的アルゴリズムと共分散行列適応アルゴリズムは、複雑で高次元なPDFパラメータ空間の最適化において、どのように比較されるか？
• RQ3 バックラッククロスバリデーションのストップ基準は、ニューラルネットワークベースのPDFフィットにおいて、過学習をどの程度効果的に防げるか？
• RQ4 疑似データを用いたクロージャー・テストは、NNPDFのフィッティング手法の統計的頑健性と信頼性をどのように示すか？
• RQ5 モンテカルロレプラカとベイズ的再重み付けから得られるPDFの不確実性は、クロージャー・テストにおいて一貫性があり、適切にキャリブレーションされているか？

主な発見

• 遺伝的アルゴリズムを用いたNNPDF3.0のフィットは、特にレベル0のクロージャー・テストにおいて、NNPDF2.3のフィットよりも優れた性能を示した。
• レベル2のクロージャー・テストでは、単一のレプラカフィットの分布がガウス分布に一致しており、中央値の揺らぎが提示されたPDFの不確実性と一貫していることを確認した。
• バックラッククロスバリデーションのストップ基準は、検証用χ²が最小化される最適なトレーニング段階を特定することで、過学習を効果的に防止した。
• レベル0のクロージャー・テストでは、入力されたPDFセット（例：MMHT14）が完全なフィットを実現するため、χ²値が任意に小さくなることが確認され、この手法が既知の解を回復できることを裏付けた。
• ベイズ的再重み付けは、フィット結果を正確に再現でき、PDFの不確実性が統計的に頑健に解釈可能であることを確認するクロスチェックを達成した。
• NNPDFフレームワークは、LHAPDF仕様と互換性のあるPDFセットを効果的に提供でき、LHCの事象解析パイプラインへの統合が可能となった。