[論文レビュー] Optimal Equivariant Architectures from the Symmetries of Matrix-Element Likelihoods

D. Maître, Vishal S. Ngairangbam+1 more|arXiv (Cornell University)|Oct 24, 2024

Matrix Theory and Algorithms被引用数 5

ひとこと要約

本論文は、行列要素法（MEM）に触発された対称性の考察と等変ニューラルネットワークを組み合わせ、LHCイベント分類器を設計しており、MEMに触発された対称性がパラメータ数を抑えつつ最先端の性能を生むことを示す。

ABSTRACT

The Matrix-Element Method (MEM) has long been a cornerstone of data analysis in high-energy physics. It leverages theoretical knowledge of parton-level processes and symmetries to evaluate the likelihood of observed events. In parallel, the advent of geometric deep learning has enabled neural network architectures that incorporate known symmetries directly into their design, leading to more efficient learning. This paper presents a novel approach that combines MEM-inspired symmetry considerations with equivariant neural network design for particle physics analysis. Even though Lorentz invariance and permutation invariance overall reconstructed objects are the largest and most natural symmetry in the input domain, we find that they are sub-optimal in most practical search scenarios. We propose a longitudinal boost-equivariant message-passing neural network architecture that preserves relevant discrete symmetries. We present numerical studies demonstrating MEM-inspired architectures achieve new state-of-the-art performance in distinguishing di-Higgs decays to four bottom quarks from the QCD background, with enhanced sample and parameter efficiencies. This synergy between MEM and equivariant deep learning opens new directions for physics-informed architecture design, promising more powerful tools for probing physics beyond the Standard Model.

研究の動機と目的

• LHCデータ解析のための幾何的ディープラーニングと行列要素法（MEM）の対称原理の統合を動機づける。
• 入力ドメインの物理対称性だけでなく、ターゲット関数の対称性が最適な等変アーキテクチャを導くことを示す。
• ローレンツ不変性と置換対称性が最適でない場合を特定し、縦方向ブースト等変設計を提案する。
• MEMに触発されたアーキテクチャを用いたdi-Higgsから4 b-ジェット分類に実用的な利得を示す。

提案手法

• MEMに触発された対称性の考慮を発展させ、群等変ニューラルネットワークの設計を導く。
• 群不変/等変関数空間のファイバ構造を分析し、それを尤度比のNeyman-Pearson最適性と関連づける。
• 関連する離散対称性を保持する縦方向ブースト等変メッセージパッシングニューラルネットを提案する。
• 枠組みを、4つのボトムジェットを伴うdi-Higgs生成のケーススタディに適用して性能をベンチマークする。
• 最先端の結果と比較し、パラメータとサンプル効率を強調する。

Figure 1: Representing the hierarchy in group invariant function approximation where a larger group ( $S_{4}$ ) imposes additional constraints on the weights compared to a proper subgroup ( $S_{2}\times S_{2}$ ). Although the constraints of $S_{2}\times S_{2}$ can become those of $S_{4}$ , the stron

実験結果

リサーチクエスチョン

• RQ1 LHCイベント分類のためにMEM様の尤度比を最もよく近似するよう神経アーキテクチャにどの対称性を組み込むべきか？
• RQ2 この文脈で群不変/等変関数のファイバ構造はNeyman-Pearson最適性とどのように関連するか？
• RQ3 MEMに触発されたタスクにおいてローレンツまたは完全なS_n置換不変性が最適でないのはいつで、どの代替対称性が有利か？
• RQ4 MEMに触発された等変アーキテクチャは、di-Higgsから4b終状態で大幅に少ないパラメータで最先端性能を達成できるか？

主な発見

• MEM-inspired symmetry guidance yields improved classification performance over existing methods.
• Equivariant architectures that reflect the optimal symmetry group for the target function can be more efficient, requiring far fewer parameters.
• A longitudinal boost-equivariant message-passing network can preserve discrete symmetries and enhance learning.
• In di-Higgs to 4b-jet classification, the MEM-inspired approach achieves state-of-the-art results with up to three orders of magnitude fewer parameters.

Figure 2: The left shows some possible partitions of a bounded domain $\mathcal{D}$ in 2D out of infinitely many possibilities. On the top right, the yellow rectangle is a saturated set in $\mathsf{P}_{1}$ while the blue ellipse is not. Consequently, if one restricts the smallest possible fibres tha