[論文レビュー] Reconstructing partonic kinematics at colliders with Machine Learning

David F. Rentería-Estrada, Roger J. Hernández-Pinto+2 more|arXiv (Cornell University)|Jan 1, 2021

Particle physics theoretical and experimental studies被引用数 1

ひとこと要約

この論文は、NLO QCDおよびLO QED補正を含む、直接光子とハドロンを含む陽子-陽子衝突における一部子運動量分率の再構築のための機械学習手法を提示する。モンテカルロシミュレーションイベントを用いて線形回帰、ガウス過程、ニューラルネットワークを訓練することで、部分子レベルの運動量の高精度再構築が達成され、特にニューラルネットワークが他の手法を上回る性能を示した。特にデータ密度の高い領域を超えての外挿において顕著な優位性を示した。

ABSTRACT

In the context of high-energy physics, a reliable description of the parton-level kinematics plays a crucial role for understanding the internal structure of hadrons and improving the precision of the calculations. Here, we study the production of one hadron and a direct photon, including up to Next-to-Leading Order Quantum Chromodynamics and Leading-Order Quantum Electrodynamics corrections. Using a code based on Monte-Carlo integration, we simulate the collisions and analyze the events to determine the correlations among measurable and partonic quantities. Then, we use these results to feed three different Machine Learning algorithms that allow us to find the momentum fractions of the partons involved in the process, in terms of suitable combinations of the final state momenta. Our results are compatible with previous findings and suggest a powerful application of Machine-Learning to model high-energy collisions at the partonic-level with high-precision.

研究の動機と目的

• 高エネルギーのハドロン衝突において、測定可能な最終状態粒子の運動量から部分子運動量分率を推定する課題に対処すること。
• 解析的仮定を回避し、より高い摂動的順序でも信頼性が保証される機械学習ベースの手法を開発すること。
• 線形回帰、ガウス過程、ニューラルネットワークといった複数の機械学習アルゴリズムが部分子レベル運動量の再構築においてどのように性能を発揮するかを比較すること。
• 従来の解析的手法が失敗するような複雑なプロセスにおいて、正確なイベント再構築を可能にすること、特に高次の補正を含む場合に有効である。
• 将来的な加速器（EIC や HL-LHC など）に応用可能な、プロセスに依存しない柔軟な部分子運動量再構築フレームワークを提供すること。

提案手法

• モンテカルロ統合を用いて、NLO QCDおよびLO QED補正を含む陽子-陽子衝突をシミュレートし、イベントレベルのデータを生成する。
• シミュレートされたイベントから、測定可能な最終状態粒子の運動量と、それに対応する部分子運動量分率（x および z）の相関関係を抽出する。
• 最終状態粒子の運動量から得られる運動量変数を入力特徴量として用い、x および z を予測するためのトレーニングデータセットを構築する。
• 線形回帰（基底関数付き）、ガウス過程回帰、多層パーセプトロン（MLP）ニューラルネットワークの3つの異なる機械学習モデルを訓練する。
• 反復的なテストを通じてニューラルネットワークのアーキテクチャを最適化し、層数、ニューロン数、収束許容誤差を調整して性能を向上させる。
• 予測された x および z 値を真のモンテカルロ生成部分子分率と比較することで、再構築の精度を評価する。

実験結果

リサーチクエスチョン

• RQ1 NLO QCDおよびLO QED補正を含むハドロン衝突において、機械学習が部分子運動量分率（x および z）を正確に再構築できるか？
• RQ2 線形回帰、ガウス過程、ニューラルネットワークといった異なる機械学習モデルが、データ密度の異なる領域において部分子運動量の再構築にどのように性能を発揮するか？
• RQ3 機械学習手法は、データが疎な領域（特に低xおよび低z領域）において、どの程度の範囲で外挿が可能か？
• RQ4 高次の補正を含む部分子レベル運動量の再構築において、ニューラルネットワークベースの手法が解析的または線形手法を上回るか？
• RQ5 モデルの複雑さとトレーニング設定が、部分子運動量再構築の精度と計算コストにどのように影響するか？

主な発見

• ニューラルネットワークが全手法の中で最も高い再構築精度を達成しており、特に低xおよび低zのデータが疎な領域で顕著な優位性を示した。
• MLP手法は線形回帰を大きく上回り、十分に大きな基底関数を用いた場合、ガウス過程と同等の性能を示したが、外挿における一般化性能が優れていた。
• 線形回帰の結果はデータ密度に強く依存しており、低xおよび低z領域を越えて外挿する際には著しく性能が劣化した。
• ニューラルネットワークアプローチは、アーキテクチャの微調整が不可欠であり、層の深さやニューロン数の増加が性能向上に寄与したが、トレーニング時間が長くなった。
• MLPフレームワークは最小限の仮定に依存しており、事前に定義された基底関数が不要であったため、完全にプロセスに依存しない柔軟な構造であり、他の高エネルギー物理学プロセスへの応用も容易であった。
• 本研究は、特に高次のQCDプロセスにおいて、解析的手法に代わる有効で高精度な部分子運動量再構築手法として、機械学習ベースの再構築が実現可能であることを示した。