[論文レビュー] One-loop matrix element emulation with factorisation awareness

D. Maître, H. Truong|arXiv (Cornell University)|Feb 8, 2023

Matrix Theory and Algorithms被引用数 7

ひとこと要約

この論文は、赤外特異性を符号化するためにアンテナ関数を用いる、高多重度過程における1ループ行列要素の要因分解に配慮したニューラルネットワークエミュレータを提案する。5個の最終状態粒子まででパーセントレベルの精度を達成し、高価な1ループ振幅の再評価を最小限に抑えつつ、効率的なデータ拡張を可能にする。

ABSTRACT

In this article we present an emulation strategy for one-loop matrix elements. This strategy is based on the factorisation properties of matrix elements and is an extension of the work presented in arXiv:2107.06625. We show that a percent-level accuracy can be achieved even for large multiplicity processes. The point accuracy obtained is such that it dwarfs the statistical accuracy of the training sample which allows us to use our model to augment the size of the training set by orders of magnitude without additional evaluations of expensive one-loop matrix elements.

研究の動機と目的

• 次-leading order (NLO) 計算における1ループ行列要素の高精度で効率的なサーヴィレートモデルの開発。
• 多粒子最終状態における赤外発散および複雑な特異構造の課題に対処すること。
• 高価な1ループ振幅を再評価せずに、訓練サンプルのデータ拡張を数個のオーダー以上に可能にすること。
• ONNXランタイムを介して現代のC++イベントジェネレータに統合することで、広範な適用性を確保すること。
• モデルの不確実性が真の誤差を信頼性を持って包摂することを保証し、信頼できる断面積予測を可能にすること。

提案手法

• 赤外発散を正規化するため、樹形振幅と1ループ振幅の干渉項の比として定義されるk要因をエミュレートする。
• 既知の物理的構造—アンテナ関数 $X_{ijk}^{0}$ と $X_{ijk}^{1}$—をエミュレータのアンサーツにおける基底関数として組み込み、赤外特異性を符号化する。
• ニューラルネットワークを用いてアンテナ関数展開の係数を学習させ、フェーズ空間領域間での滑らかな補間を可能にする。
• renormalisation scale（正規化スケール）をニューラルネットワークのパrametric入力として扱い、スケール依存性を柔軟に表現する。
• 統計的不確実性の高い小さな訓練サンプル上でモデルを訓練し、モデルの精度を活用して統計的統合誤差を超える。
• ONNXランタイムを介してモデルをデプロイし、C++ベースのイベントジェネレータおよびハイパフォーマンスコンピューティング環境への統合を可能にする。

実験結果

リサーチクエスチョン

• RQ1 要因分解に配慮したニューラルネットワークエミュレータは、高多重度過程における1ループ行列要素に対してパーセントレベルの精度を達成できるか？
• RQ2 物理的アンテナ関数を組み込むことで、最終状態粒子多重度の増加に伴う誤差増大の抑制と一般化性能の向上がどの程度達成されるか？
• RQ3 エミュレータの予測精度が、訓練サンプルの統計的不確実性をどの程度上回るか？
• RQ4 モデルの不確実性推定が真の値を信頼性を持って包含できるか？これにより、信頼できる断面積予測が可能になるか？
• RQ5 エミュレータの計算パフォーマンスは、従来の1ループ行列要素プロバイダーと比較してどの程度優れているか？

主な発見

• エミュレータは、5個の最終状態粒子までを含むすべてのテストプロセスで、赤外領域を含めてパーセントレベルの精度を達成している。
• アンテナ関数をアンサーツに組み込むことで、ベースラインモデルと比較して多重度の増加に伴う精度低下が顕著に抑制されている。
• モデル誤差は訓練サンプルの統計的不確実性を常に下回っており、フェーズ空間点を数個のオーダー以上に増やした信頼できるデータ拡張が可能である。
• モデルの不確実性推定は真の値を包含しており、断面積予測の有効で使用可能な誤差バーを提供している。
• 特にGPU上で動作するか、ONNXランタイムを介してデプロイした場合、従来の1ループプロバイダーと比較して、1CPU上で数個のオーダー以上に高速に実行される。
• ONNXを介した統合により、現代のC++イベントジェネレータと互換性があり、既存のシミュレーションパイプラインへのシームレスな統合が可能である。