[論文レビュー] MadNIS at NLO

Giovanni De Crescenzo, Javier Mariño Villadamigo+5 more|arXiv (Cornell University)|Mar 23, 2026

Particle physics theoretical and experimental studies被引用数 0

ひとこと要約

この論文は MadNIS を NLO に拡張し、FKS 除去スキーム下で学習済み振幅の代替量とニューラル重要度サンプリングを組み合わせることで、e+e- の多ジェット最終状態における仮想および実放出寄与の高速で校正された予測を実現します。

ABSTRACT

We combine fast amplitude surrogates with neural importance sampling to accelerate NLO calculations. For virtual corrections, a learned ratio to the Born matrix element with calibrated uncertainties guarantees reliable precision across phase space. For real emission, we stick to the standard FKS subtraction and train sector-conditioned surrogates of the regularized integrands away from divergences. MadNIS then uses multi-channel mappings and FKS sectors as conditions. We validate our approach for electron-positron scattering to three and four jets and find significant speed-ups and variance reduction in the integration.

研究の動機と目的

• HL-LHC 時代の精密現象論のための高速・スケーラブルな NLO 予測を動機づける。
• FKS 除去スキーム内の仮想成分と実放出成分の両方を補強する統一 ML ベースのフレームワークを開発する。
• ML の代替振幅に伴う不確かさを校正し、位相空間全体で信頼性の高い精度を維持する。
• 電子陽電子衝撃における多ジェット生成をテストケースとして、正確さと高速化を示す。

提案手法

• Born, 仮想、統合除去項の学習済み代替振幅を校正された不確かさとともに用いる。
• Born に類似した振幅と有限な FKS 区分実放出振幅の代替振幅を、位相空間条件付けと区分ラベルを組み込んで訓練する。
• Born に類似した実放出位相空間と実放出位相空間の両方に FKS 区分構造を組み込んだ多チャネル MadNIS サンプリング系を採用する。
• 広いダイナミックレンジにわたる振幅の学習を安定化させるため、対数前処理と対数不変入力を用いる。
• 不確かさをヘテロスケダス損失により校正し、既知の NLO 予測と照合して検証する。
• 代替振幅を位相空間マッピング（Born に類似した多チャネルマッピングと FKS 区分マッピング）と統合して、チャンネルごとに高速なモンテカルロ積分を可能にする。

Figure 1: Left to right: representative Feynman diagrams for the Born, virtual, and real-emission contribution for the NLO predictions of the $\mathrm{e}^{+}\mathrm{e}^{-}\to\mathrm{u}\mathrm{\bar{u}}\mathrm{g}\mathrm{g}$ process.

実験結果

リサーチクエスチョン

• RQ1 学習済み振幅代替が Born に類似する位相空間全体で校正された不確かさとともに Born、仮想、統合除去寄与を再現できるか。
• RQ2 FKS フレームワーク内で区分条件付き代替振幅はどれほど良く機能するか。
• RQ3 FKS 区分と多チャネル位相空間マッピングを組み込むことで MadNIS を NLO に拡張し、効率的な積分を実現できるか。
• RQ4 多ジェット最終状態における ML 代替振幅の適用による速度アップと分散削減の程度はどのくらいか。

主な発見

• V/B などの学習比が、校正された不確かさを伴う Born に類似する振幅の正確な代替となる。
• 実放出代替は存在するがはるかに広いレンジを跨ぎ、より困難であるが、校正された不確かさは依然信頼できる。
• ML 代替と MadNIS サンプリングの組み合わせは、試験ケースの e+e- → 3- および 4- ジェット過程の積分において顕著な高速化と分散削減を生み出す。
• このアプローチは除去構造を保持し、NLO 期待値と整合する有限で安定した結果を与える。
• 校正された不確かさにより、代替を用いても相対する位相空間全体で信頼できる誤差推定が可能となる。

Figure 2: Learned Born, combination of Born and virtual contributions without the integrated subtraction term, and full Born-like amplitudes. We show result for 3-jet (left) and 4-jet (right) production. The solid lines indicate surrogates, the dashed lines the truth.