[論文レビュー] Resonance Searches with Machine Learned Likelihood Ratios

Jacob Hollingsworth, D. Whiteson|arXiv (Cornell University)|Feb 11, 2020

Particle physics theoretical and experimental studies参考文献 28被引用数 9

ひとこと要約

この論文は、多次元の検出器レベルの観測量を用いたリコネストラクション探索のための機械学習的手法を導入し、従来のヒストグラムベースの手法や行列要素の近似を回避する。シミュレートされたイベントからの潜在的情報に基づいて訓練されたニューラルネットワークを用いることで、従来の手法よりもきびしい除外限界を達成し、Z'ボソン探索における感度の顕著な向上を示している。

ABSTRACT

We demonstrate the power of machine-learned likelihood ratios for resonance searches in a benchmark model featuring a heavy Z' boson. The likelihood ratio is expressed as a function of multivariate detector level observables, but rather than being calculated explicitly as in matrix-element-based approaches, it is learned from a joint likelihood ratio which depends on latent information from simulated samples. We show that bounds drawn using the machine learned likelihood ratio are tighter than those drawn using a likelihood ratio calculated from histograms.

研究の動機と目的

• 不変質量の要約による情報損失を回避するため、多次元の検出器レベルのイベント情報を利用する、尤度フリー推論手法の開発。
• 次元の呪いと情報損失に苦しむ従来のヒストグラムベース尤度比の限界を克服すること。
• 質量に非多項式的な依存を示す行列要素の依存性があるにもかかわらず、効果的場理論のためのものとして設計されたALICEフレームワークを、リコネストラクション探索に適応させること。
• 訓練中に解析的導関数（スコア）が入手できない状況でも、機械学習で得た尤度比が標準的手法を上回ることを示すこと。
• 検出器応答に依存しない、計算的に効率的な行列要素手法の代替手段を確立し、完全なイベント情報の保持を実現すること。

提案手法

• シミュレートされたイベントから、潜在的パートンレベル情報と検出器レベルの観測量を用いて、ニューラルネットワークを訓練することで尤度比関数を学習する。
• 行列要素の明示的計算や検出器転送関数の近似を回避し、シミュレーションから直接的に結合尤度比を学習する。
• 理論パラメータ（質量および結合定数）を入力とし、信号およびバックグラウンドイベントのペアに対してコントラスト損失を用いて尤度比を訓練する。
• テストセットのイベントを用いてモデルを評価し、得られた尤度比を仮説検定のための対数尤度比として使用する。
• 入力として検出器レベルの4元運動量の多次元集合を用い、不変質量とラピディティ差が主要な観測量となる。
• ハイパーパrameterは交差検証により調整され、AMSGrad最適化法を用いて訓練され、線形学習率減衰が適用される。

実験結果

リサーチクエスチョン

• RQ1 多次元の検出器レベル観測量に基づく機械学習による尤度比は、リコネストラクション探索において、従来のヒストグラムベース尤度比を上回ることができるか？
• RQ2 不変質量を超える完全なイベント情報（多次元）を用いることで、Z'ボソンの検出感度はどの程度向上するか？
• RQ3 元々EFTのためのものとして設計されたALICEフレームワークは、完全なモーフィング構造が欠如しているにもかかわらず、リコネストラクション探索に適応可能か？
• RQ4 訓練中に導関数情報（スコア）が入手できない状況でも、この手法はヒストグラムベースの手法を上回る除外限界を達成できるか？
• RQ5 検出器転送関数の近似を回避することで、行列要素手法のより正確で効率的な代替手段としてこの手法が機能するか？

主な発見

• 機械学習による尤度比手法は、ヒストグラムベースの手法よりも顕著にきびしい除外領域を生成し、感度の向上を示している。
• この手法は行列要素手法と同等の性能を達成しているが、検出器応答の近似を必要としない。
• 最も多くの情報を捉えている主要な観測量は、ジジェットの不変質量 $m_{jj}$ とラピディティ差 $\Delta y_{jj}$ であり、高次元の特徴からの情報損失は最小限に抑えられている。
• 解析的導関数（スコア）が入手できない状況でも、モデルは優れた性能を発揮しており、リコネストラクション探索におけるサンプル効率の良い訓練の実現可能性を示している。
• 完全な多次元的分析により、検出器レベルの4元運動量を用いることで、単変量の不変質量分析に比べて顕著な性能向上が達成されている。
• より複雑な共鳴過程では、この多次元的手法による情報保持の恩恵がさらに顕著に現れると示唆されている。