[論文レビュー] swordfish: Efficient Forecasting of New Physics Searches without Monte Carlo

T. Edwards, Christoph Weniger|arXiv (Cornell University)|Dec 14, 2017

Scientific Computing and Data Management参考文献 1被引用数 3

ひとこと要約

swordfish はモンテカルロを必要としない Python パッケージであり、情報幾何に基づく近似を用いて、素粒子物理学および宇宙物理学実験における遮断限界、発見の到達可能性、信頼領域の高速かつ高精度な予測を可能にする。等価カウント法、情報フラックス、および新しい可視化技術を導入し、計算コストの高い尤度スキャンを、信号制限およびシステムティクス制限の両領域で正確な結果に置き換える。10–20%の精度を達成しつつ、計算速度を桁違いに向上させる。

ABSTRACT

We introduce swordfish, a Monte-Carlo-free Python package to predict expected exclusion limits, the discovery reach and expected confidence contours for a large class of experiments relevant for particle- and astrophysics. The tool is applicable to any counting experiment, supports general correlated background uncertainties, and gives exact results in both the signal- and systematics-limited regimes. Instead of time-intensive Monte Carlo simulations and likelihood maximization, it internally utilizes new approximation methods that are built on information geometry. Out of the box, swordfish provides straightforward methods for accurately deriving many of the common sensitivity measures. In addition, it allows one to examine experimental abilities in great detail by employing the notion of information flux. This new concept generalizes signal-to-noise ratios to situations where background uncertainties and component mixing cannot be neglected. The user interface of swordfish is designed with ease-of-use in mind, which we demonstrate by providing typical examples from indirect and direct dark matter searches as jupyter notebooks.

研究の動機と目的

• 素粒子物理学および宇宙物理学の実験感度を予測する際、時間のかかるモンテカルロシミュレーションの必要性を排除すること。
• 一般に相関のあるバックグラウンド不確実性を伴う状況下でも、遮断限界、発見の到達可能性、信頼領域の正確かつ効率的な予測を提供すること。
• フィッシャー情報フラックスの概念を用いて、システムティクス不確実性を考慮した信号対雑音比の一般化を行うこと。
• クラスタリングアルゴリズムに適した効率的なユークリッド化信号マッピングを用いて、高次元パラメータ空間の識別を可能にすること。
• ベンチマークに依存しない直感的で使いやすい可視化を、ストリームラインおよび測地線に基づく等高線を用いて提供すること。

提案手法

• 等価カウント法は、複雑な信号およびバックグラウンドモデルを、等価信号カウントと等価バックグラウンドカウントという2つの要約統計量にマッピングし、ポisson的およびガウス的両領域における感度推定を高速化する。
• 低統計量（ポisson的）状況での精度を保つために、プロファイル化された対数尤度比とそのポisson比への関連を活用する。
• パラメータ空間上のメトリックとしてフィッシャー情報行列を用い、楕円的近似を超えた測地線ベースおよびストリームラインベースの信頼領域の可視化を可能にする。
• 情報フラックスは、バックグラウンド不確実性および成分の混合を組み込むことで、信号対雑音比の一般化を提供し、システムティクス誤差下での最適実験設計を可能にする。
• ユークリッド化信号法は、非ユークリッド的信号モデルをユークリッド空間にマッピングし、統計的差をユークリッド距離の近似として扱うことで、高次元パラメータ点の高速なクラスタリングを可能にする。
• すべての手法は、Jupyter ノートブックの例を含む、使いやすい Python パッケージとして実装されている。

実験結果

リサーチクエスチョン

• RQ1 相関のあるバックグラウンド不確実性を伴うカウント実験において、モンテカルロシミュレーションを一切用いずに、遮断限界および発見閾値を正確に予測できるか？
• RQ2 バックグラウンド成分のシステムティクス不確実性を考慮するには、信号対雑音比をどのように一般化できるか？
• RQ3 ベンチマークモデルに依存しない、効果的で高速かつ直感的な方法で、多次元パラメータ空間における実験感度を可視化するにはどうすればよいか？
• RQ4 高次元信号パラメータ空間にわたる将来の実験の統計的識別力は、どのようにして効率的に定量化できるか？
• RQ5 情報幾何に基づく近似手法は、計算コストを大幅に削減しつつ、完全な尤度スキャンの精度にどの程度近づけるか？

主な発見

• 等価カウント法は、ポisson的およびガウス的両領域において、モンテカルロに比べて無視できるほどの計算コストで、10–20%の精度を達成する感度予測を実現する。
• 情報フラックスは、バックグラウンド不確実性を考慮した信号対雑音比の一般化を提供し、システムティクス制限下の最適実験設計を可能にする。
• フィッシャー計量のストリームラインおよび測地線可視化により、非楕円的信頼領域が明らかになり、複雑なモデルにおけるパラメータのデゲネラシーの真の形状をよりよく反映する。
• ユークリッド化信号法により、1億個を超えるパラメータ点のペアワイズ比較がクラスタリングアルゴリズムを用いて高速に実行可能であり、統計的差の近似において高い正確性を達成する。
• swordfish は、CTA および Xenon-1T の既知の感度予測を高い忠実度で再現し、実世界のダークマター探索シナリオにおける有効性を検証した。
• パッケージはオープンソースであり、直接的および間接的ダークマター検出のための即時利用可能な Jupyter ノートブックを含んでおり、コミュニティ全体での迅速な採用を可能にしている。