[論文レビュー] The Data-Directed Paradigm for BSM searches

Sergey Volkovich, Federico De Vito Halevy+1 more|arXiv (Cornell University)|Jul 27, 2021

Gaussian Processes and Bayesian Inference参考文献 1被引用数 7

ひとこと要約

この論文は、予め定義された信号モデルに依存せずに、インバリアント質量分布における顕著なずれを深層学習を用いて同定する、標準模型を越えた物理（BSM）探索のためのデータ指向型パラダイム（DDP）を導入する。ニューラルネットワークを訓練して、データを統計的有意性を示すz分布にマップさせることで、従来のプロファイル尤度比検定の95％の感度を達成しつつ、背景や系誤差の推定に費やす時間が短縮される。

ABSTRACT

In search for new physics, we must leave no stone unturned. We propose a novel data-directed paradigm (DDP) for developing Beyond the Standard Model (BSM) signal hypotheses on the basis of collected data. The DDP is complimentary to traditional theory-directed searches that follow the blind-analysis paradigm and could open the door to regions in the data that will otherwise remain vastly unexplored. We suggest looking directly at the data to identify exclusive selections which exhibit significant deviations from some unique feature of the Standard Model. Such regions should be considered well-motivated for data-directed BSM hypotheses and studied further. In this letter, the paradigm is demonstrated by combining the promising potential of machine learning algorithms with the commonly used search for excesses of events over a smoothly falling background (bump-hunting). A deep neural network is trained to map any invariant mass distribution into a $z$-distribution that indicates the presence of statistically significant bumps. Using this approach, the time and effort consuming tasks of background and systematic uncertainty estimation are avoided. Compared to identifying bumps with the profile-likelihood ratio test using perfectly known background and signal, the algorithm is inferior by only $5$%.

研究の動機と目的

• 標準模型を越えた未発見の物理学の発見を可能にする、理論に依存しないデータ駆動型のBSM探索の新しいパラダイムを構築すること。
• 従来のバンプハンティング手法における時間のかかる背景モデル化や系誤差推定への依存を軽減すること。
• 従来の信号仮説がカバーしない領域であっても、データ分布における統計的に顕著なずれを特定すること。
• 機械学習が従来の統計的検定を効果的に置き換えられ、バンプ検出において高い感度を維持できることを示すこと。

提案手法

• 深層ニューラルネットワークを訓練し、任意のインバリアント質量分布を、標準模型からのずれの有意性を定量化するz分布にマップさせる。
• ネットワークは、滑らかに減少する背景に対して、過剰なイベントが観測される領域（バンプ）を統計的に顕著に検出するように最適化される。
• 直接的にデータから有意性を学習することで、明示的な背景モデル化や系誤差推定の必要性を回避する。
• z分布の出力により、信号の形状に関する事前知識がなくても、今後の検証のための候補領域を迅速に特定できる。
• 既知の背景と信号を前提とした理想状態での比較により、本手法の性能が妥当性検証される。
• 訓練データは、統計的フラクチュエーションや背景形状を含む、現実的なデータ分布を模擬するように構築される。

実験結果

リサーチクエスチョン

• RQ1 機械学習を用いたデータ指向型アプローチは、従来の理論に依存する探索に比べ、インバリアント質量分布における顕著なずれをより効果的に検出できるか？
• RQ2 深層学習は、背景モデル化を回避しつつ、バンプハンティングにおいて従来の統計的検定（プロファイル尤度比）をどの程度置き換えられるか？
• RQ3 背景と信号が完全に分かっている状況で、提案手法の感度はプロファイル尤度比検定と比べてどの程度か？
• RQ4 本手法は、モデルバイアスのため従来の探索で見逃されがちな、有望なBSM信号領域を特定できるか？
• RQ5 このデータ駆動型パラダイムにおいて、感度と計算効率のトレードオフはどのようなものか？

主な発見

• 背景と信号が完全に分かっている状況で、本手法はプロファイル尤度比検定の95％の感度を達成する。
• 明示的な背景モデル化や系誤差推定を必要とせずに、インバリアント質量分布における統計的に顕著なバンプを効果的に同定する。
• 深層ニューラルネットワークは、標準模型からのずれの有意性を反映するz分布へのデータ分布のマッピングを効果的に実行する。
• 従来の信号仮説がカバーしない、これまで未発見のデータ領域の発見が可能になる。
• 従来のBSM探索における背景推定や誤差評価に費やされる時間と労力が大幅に削減される。
• 理論に依存する盲検査アプローチで見逃されがちな領域において、新物理の発見の可能性を示す強力な潜在的能力を有する。