[論文レビュー] Precision-Machine Learning for the Matrix Element Method

Theo Heimel, Nathan Huetsch+3 more|arXiv (Cornell University)|Oct 11, 2023

Particle physics theoretical and experimental studies被引用数 11

ひとこと要約

本論文は、条件付き可逆ニューラルネットワーク、転送/拡散ネットワーク、受理分類器を組み合わせた三-network MEM-ML フレームワークを開発し、MEM分析における高精度な尤度抽出を可能にする。CP-phase in tHj production with H→γγ に対して示された。

ABSTRACT

The matrix element method is the LHC inference method of choice for limited statistics. We present a dedicated machine learning framework, based on efficient phase-space integration, a learned acceptance and transfer function. It is based on a choice of INN and diffusion networks, and a transformer to solve jet combinatorics. We showcase this setup for the CP-phase of the top Yukawa coupling in associated Higgs and single-top production.

研究の動機と目的

• MEM分析をMLベースの位相空間積分と学習済み受理・転送関数の統合によって改善する。
• 限定イベントサンプルからの高精度な尤度抽出をLHCプロセスに適用可能とする。
• tHj with H→γγ 崩壊を介したトップ Yukawa カップリングの CP位相測定への適用性を実証する。
• 統一された ML MEM フレームワーク内でジェット組合せと検出器効果に対処する。

提案手法

• サンプリング-cINN を CP角度 α と reco レベル x_reco に条件付け、x_hard に条件付けされた Transfer ネットワーク、x_hard を推定する Acceptance ネットワークを含む三-network MEM インテグレーターを使用する。
• reco レベルの尤度 p(x_reco|α) を dσ_fid(α)/dx_reco および前方転送 r(x_reco|x_hard) と ε(x_hard) を用いて表現する。
• Acceptance ネットワークを訓練して x_hard の受理確率を出力させる。
• x_hard を x_reco に写像するよう条件付き生成ネットワーク（cINN または拡散）を用いて転送関数をモデル化する。
• 効率的なモンテカルロ積分のために q_φ(x_hard|x_reco,α) を最適化する第二の条件付き正規フローを導入する。
• 積分分散を低減し収束を改善するために Vegas 潜在空間細化を適用する。
• dσ(x_hard|α)/dx_hard を α依存部と x_hard依存部に因数分解できることを利用して計算を加速する（operator morphing）。

実験結果

リサーチクエスチョン

• RQ1 3-network MEM-ML フレームワークは限定イベントサンプルで MEM 分析のほぼ最適な尤度抽出を達成できるか？
• RQ2 学習済みの受理関数と転送関数を MEM に組み込んで検出器効果と位相空間積分を効率的に扱えるか？
• RQ3 転送ネットワークとジェット組合せトランスフォーマーを用いることが tHj 生産における CP位相感度にどのような影響を与えるか？
• RQ4 転送確率で訓練された Vegas 細化と重要サンプリングが MEM 全体の収束と不確かさにどのように影響するか？
• RQ5 MEM を微分断面の因数分解特性を活用して CP非対称トップ Yukawa 研究に適用可能か？

主な発見

• 三-network MEM フレームワーク（Sampling-cINN、Transfer ネットワーク、Acceptance ネットワーク）により fiducial クロスセクションの効率的かつ高精度な積分とイベント尤度評価が可能となる。
• learned transfer probability に基づく Sampling-cINN の訓練と Vegas 細化の適用により収束性が向上し、多くのイベントに対して実用的な反復回数で約 2% 程度の目標精度を達成する。
• ハードプロセスの真値と再構成された尤度の間に残る系統的偏差が増加することで、転送確率のアーキテクチャおよび訓練の改善が必要になる。
• 受理モデリングを専用ネットワークで行うことで MEM 尤度が二-network のベースラインより改善され、CP位相推定の性能がより最適に近づく。
• dσ/dx_hard の α依存部と x_hard依存部の因数分解を活用して計算を単純化・加速でき、CP位相研究を支援する。