[論文レビュー] Treating Detector Systematics via a Likelihood Free Inference Method

Leander Fischer, Richard Naab+1 more|arXiv (Cornell University)|Jan 1, 2023

Particle physics theoretical and experimental studies被引用数 1

ひとこと要約

この論文は、素粒子物理学実験における検出器の系統的不確実性を補正するために、モデルに依存しない、イベント単位の再重み付けを可能にする尤度フリー推論手法を提示する。離散的な検出器の実現を用いたk近傍法分類を用いることで、物理モデルの重みとは分離された検出器応答の変動をモデル化でき、特定の物理モデルを仮定せず、ビニングを必要とせずに、パrameter空間全域にわたり高精度な再重み付けが可能であることが、ニュートリノ振動の玩具的モデルで示された。

ABSTRACT

Estimating the impact of systematic uncertainties in particle physics experiments is challenging, especially since the detector response is unknown analytically in most situations and needs to be estimated through Monte Carlo (MC) simulations. Typically, detector property varia-tions are parameterized in ways that implicitly assume a specific physics model, which can introduce biases on quantities measured by an analysis. In this paper, we present a method to recover a model-independent, event-wise estimation of the detector response variation by applying a likelihood-free inference method to a set of MC simulations representing discrete detector realizations. The method provides a re-weighting scheme for every event, which can be used to apply the effects of detector property variations fully decoupled from the assumed physics model. Using a toy MC example inspired by fixed-baseline neutrino oscillation experiments, we demonstrate the performance of our method. We show that it fully decouples the modeling of the detector response from the physics parameters to be measured in a MC forward-folding analysis.

研究の動機と目的

• 検出器応答が解析的に未知であるモンテカルロフォワードフォールディング解析において、検出器の系統的不確実性をモデル化する課題に対処すること。
• 測定中の物理パrameterと検出器応答の変動のモデル化を分離し、モデル依存のパrameter化によって生じるバイアスを回避すること。
• 既存のMCシミュレーションを効率的に再利用し、複数のパラメータ実現における検出器の変動をモデル化できる、ビニングに依存しない柔軟な手法を開発すること。
• イベントレベルの再重み付けスキームを提供することで、効率的な解析最適化とアンビニングな尤度式の構築を可能にすること。

提案手法

• 本手法は、k近傍法（KNN）分類を用いた尤度フリー推論フレームワークを適用し、異なる検出器特性を持つMCシミュレーション集合内において、各イベントが特定の検出器実現に属する後方確率を推定する。
• 各イベントについて、KNN分類器は、その特徴ベクトル（真の変数と再構成された変数）が、非ノーマルMCセット内のイベントとの類似度を計算し、検出器実現の上での後方分布を導出する。
• 多項式係数は、予測確率と観測確率の間の負の対数尤度を最小化することでフィッティングされ、パラメータ空間全域における検出器応答効果の滑らかな補間を可能にする。
• 得られた再重み付けスキームは、ノーマルMCセットに適用され、再シミュレーションを実行せずに、任意の非ノーマル検出器実現を模倣できる。
• 本手法は物理モデルの重みから完全に分離されており、再重み付けは測定中の物理パラメータに依存せず、検出器応答の特徴のみに依存する。
• 単一の不確実な検出器パラメータ（例：エネルギースケール）を有する玩具的ニュートリノ振動モデルで検証され、検出器パラメータαの全範囲にわたり、正確な再重み付けが達成された。

実験結果

リサーチクエスチョン

• RQ1 フォワードフォールディング解析において、仮定された物理モデルから完全に分離された形で、検出器応答の変動をモデル化できるか？
• RQ2 非パラメトリックで尤度フリーな推論手法が、線形性や解析的形を仮定せずに、離散的なMC実現間の検出器応答効果を効果的に補間できるか？
• RQ3 KNN分類によるイベント単位の再重み付けは、異なる検出器パラメータを有する完全なMCシミュレーションの統計的性質をどの程度再現できるか？
• RQ4 物理モデルが未知または系統的不確実性推定時に明示的にモデル化されていない場合、本手法の再重み付け精度はどの程度の性能を示すか？

主な発見

• 本手法は、検出器応答のモデル化と物理モデルの重みを完全に分離し、モデル依存のパラメータ化によって生じるバイアスを排除した。
• 玩具的ニュートリノ振動モデルにおいて、再重み付けされたノーマルMC分布は、全範囲にわたり検出器パラメータαの真の非ノーマル分布と、統計的フラクチュエーションの範囲内で一致した。
• KNNに基づく再重み付けスキームは、任意の多項式次数（相関項を含む）において、検出器効果の高精度な補間を達成した。
• 本手法はビニングに依存しない解析を可能にし、再ビニングや観測量分布の最適化を再計算せずに効率的に行える。
• 本手法は計算的に効率的であり、大規模なMC生成の必要性を低減し、計算リソースの節約とCO2排出量の削減に寄与した。
• より複雑な分類器（例：ニューラルネットワーク）も試験されたが、ハイパーパrameterチューニング後もKNNに劣らず、本問題に対してKNNの単純さと頑健性が優れていることが示唆された。