[논문 리뷰] Advancing Tools for Simulation-Based Inference

Henning Bahl, Víctor Bresó외 2명|arXiv (Cornell University)|2024. 10. 09.

Simulation Techniques and Applications인용 수 5

한 줄 요약

논문은 LHC 입자 상호작용을 제약하기 위해 고급 SBI 도구를 개발하고 테스트하며, morphing-aware estimation, derivative learning, 새로운 fractional-smearing 기법, 그리고 likelihood 학습을 개선하기 위한 등가 네트워크를 도입한다. toy 모델과 LHC의 pp→WZ에서 시연한다.

ABSTRACT

We study the benefit of modern simulation-based inference to constrain particle interactions at the LHC. We explore ways to incorporate known physics structures into likelihood estimation, specifically morphing-aware estimation and derivative learning. Technically, we introduce a new and more efficient smearing algorithm, illustrate how uncertainties can be approximated through repulsive ensembles, and show how equivariant networks can improve likelihood estimation. After illustrating these aspects for a toy model, we target di-boson production at the LHC and find that our improvements significantly increase numerical control and stability.

연구 동기 및 목표

• 전통적 히스토그램을 넘어 LHC 이벤트에서 고차원 정보를 추출하기 위해 현대 SBI의 활용을 동기부여한다.
• likelihood 추정에 물리학 구조를 통합하여 안정성과 정확도를 향상시킨다.
• Morphing-aware estimation, derivative learning, fractional smearing, L-GATr를 포함한 방법들을 SBI 내에서 개발하고 평가한다.
• toy 모델과 LHC의 di-boson 생산(pp → WZ)에서 이러한 접근법을 시연한다.

제안 방법

• 분류자 기반(CARL/ALICE) 및 likelihood- regression 접근법을 통해 likelihood-learning 전략을 도출하고 비교한다.
• SMEFT 유사 매개변수 공간을 가로지르는 p(z_p|θ) 보간을 위해 morphing을 통해 물리 구조를 도입한다.
• Reco-레벨 likelihood의 R_i 및 R_ij 도함수를 얻기 위한 도함수 학습 기법을 도입한다.
• 희소한 고감도 상대 영역을 효율적으로 커버하기 위한 fractional smearing을 제안한다.
• 더 높은 차원 공간에서 likelihood 학습을 향상시키기 위해 Lorentz-equivariant L-GATr 네트워크를 적용한다.

실험 결과

연구 질문

• RQ1 morphing-aware 샘플링과 도함수 학습이 고차원 LHC 맥락에서 전통적인 SBI보다 더 안정적인 likelihood-ratio 추정을 제공할 수 있는가?
• RQ2 물리 구조를 활용해 SMEFT 유사 매개변수 공간에 대한 SBI 방법의 학습 효율성과 수치적 안정성을 개선할 수 있는가?
• RQ3 fractional smearing이 희소하게 채워진 고감도 영역에서 학습을 향상시키는가?
• RQ4 재구성 수준의 LHC 데이터에서 Lorentz-equivariant 네트워크를 사용하는 것이 likelihood 추정에 어떤 영향을 미치는가?
• RQ5 SMEFT 연산자를 갖는 실제적인 LHC 프로세스인 pp→WZ에 대해 제안된 방법들이 어떻게 작동하며 어떤 영향을 미치는가?

주요 결과

• Morphing-aware likelihood 추정은 toy 모델에서 특히 비국소적 상대 영역에서 정확한 likelihood 비를 제공한다.
• 도함수 학습만으로는 학습 기준점이 관련 상대 공간을 충분히 커버하지 못하면 성능이 저하될 수 있어, 다매개변수 문제에서 morphing의 가치가 강조된다.
• fractional smearing은 타깃 도함수 분포를 균형 있게 만들어 고감도, 희소한 영역에서 학습을 크게 향상시킨다.
• L-GATr 등가 네트워크는 재구성 수준의 고차원 분석에서 개선점을 제공한다.
• SMEFT 연산자를 갖는 pp→WZ에 적용했을 때, Wilson 계수의 고고관절 질량 영역에 명확한 영향이 있으며 likelihood 추정의 안정성이 향상된다.
• 이 기법들의 결합은 LHC 유사 문제에서 SBI의 수치적 제어 및 안정성을 향상시킨다.