[논문 리뷰] Anomaly Detection for Physics Analysis and Less than Supervised Learning

Benjamin Nachman|arXiv (Cornell University)|2020. 10. 27.

Computational Physics and Python Applications인용 수 4

한 줄 요약

이 논문은 고에너지물리학(HEP) 분야에서 사전에 정의된 신호 및 배경 모델에 의존하지 않고도 더 민감하고 모델에 종속되지 않는 새로운 물리 현상 탐색을 가능하게 하는 기계학습 기반 이상 탐지 방법을 제안한다. CWoLa 및 ANODE와 같은 새로운 접근법을 제시하여 데이터에서 직접 학습함으로써 신호 시뮬레이션 없이도 이중제트 최종 상태에서의 새로운 입자 생성에 대한 강력한 한계를 확보하였으며, 이는 HEP 분야에서 데이터 기반 발견으로의 전환을 의미한다.

ABSTRACT

Modern machine learning tools offer exciting possibilities to qualitatively change the paradigm for new particle searches. In particular, new methods can broaden the search program by gaining sensitivity to unforeseen scenarios by learning directly from data. There has been a significant growth in new ideas and they are just starting to be applied to experimental data. This chapter introduces these new anomaly detection methods, which range from fully supervised algorithms to unsupervised, and include weakly supervised methods.

연구 동기 및 목표

• 사전에 정의된 신호 및 배경 모델에 의존도가 낮은 고에너지물리학 분야의 이상 탐지 방법을 개발하는 것.
• 신호 모델이 알려져 있거나 시뮬레이션하기 어려운 경우에도 데이터에서 직접 학습함으로써 새로운 물리 현상 탐색의 민감도를 높이는 것.
• 시험 통계 선택 및 배경 보정 과정에서의 모델 의존도를 줄여 정밀도를 높이고 새로운 물리 현상 탐색의 범위를 넓히는 것.
• 실제 실험 데이터를 활용한 데이터 기반 이상 탐지의 가능성과 실현 가능성을 입증하여, 시뮬레이션에만 의존하는 검증을 넘어서는 것.

제안 방법

• CWoLa(Classification Without Labels) 및 ANODE(Anomaly Detection with Density Estimation)와 같은 약한 지도 학습 및 비지도 학습 기계학습 기법을 사용하여 기대되는 배경에서의 이탈을 식별한다.
• 전체 신호 시뮬레이션 없이도 다차원 특징 공간에서의 밀도 추정을 통해 배경 분포를 모델링한다.
• 신경망을 통해 최적화된 우도비 기반 시험 통계를 적용하여 특정 신호 모델을 가정하지 않고도 최적의 민감도를 확보한다.
• 배경의 p-값을 몬테카를로 시뮬레이션에 의존하지 않고 데이터 기반 밀도 추정 및 사이드밴드 방법을 활용하여 보정한다.
• 각 주입된 신호 모델에 대해 약 10^4개의 신경망을 학습시켜 다양한 신호 가설에 대한 민감도 스캔을 가능하게 한다.
• 2차원 특징 공간에서 분류기 출력을 시각화하여 신호 유사 영역을 자동으로 식별할 수 있음을 입증함으로써 해석 가능성과 검증 가능성을 확보한다.

실험 결과

연구 질문

• RQ1 기계학습 기반 이상 탐지 방법이 세부적인 신호 모델에 의존하지 않고도 새로운 물리 현상 탐지에 민감도를 확보할 수 있는가?
• RQ2 전체 몬테카를로 시뮬레이션 없이 데이터 기반 밀도 추정을 통해 배경의 p-값을 어떻게 보정할 수 있는가?
• RQ3 CWoLa와 같은 약한 지도 학습 방법이 콤팩트한 붕괴된 붕괴 제품을 가진 이중제트와 같은 복잡한 최종 상태에서 새로운 물리 현상을 탐지할 수 있는 정도는 어느 정도인가?
• RQ4 모델에 종속되지 않는 이상 탐지의 성능이 기존의 모델 의존적 탐색 방식에 비해 발견 가능 범위 측면에서 어떻게 비교되는가?
• RQ5 이러한 방법을 실제 실험 데이터에 적용할 때의 계산적 및 방법론적 과제는 무엇인가?

주요 결과

• ATLAS는 CWoLa 기반의 첫 번째 데이터 기반 이상 탐지 검색을 성공적으로 수행하여 이중제트 최종 상태에서 자동으로 신호를 식별함을 입증했다.
• CWoLa 기반 분석은 특정 신호 모델에 대해 가장 강력한 새로운 물리 현상 생성 횡단단면에 대한 한계를 확보하였으며, 특정 상황에서는 전통적 방법을 능가하는 성능을 보였다.
• 신규 입자에 대한 증거가 없음에도 불구하고, 실제 데이터를 활용한 모델에 종속되지 않는 이상 탐지의 실현 가능성을 검증하였으며, 이는 HEP 분야에서의 중요한 전환점이 되었다.
• 다양한 신호 질량과 강도를 스캔하기 위해 약 10^4개의 신경망을 학습시켜야 하는 등 이러한 접근법의 계산 비용이 높음을 시사했다.
• 분류기 출력의 시각화 결과는 학습 단계에서 사전에 신호를 주입하지 않더라도 모델이 자동으로 신호 유사 영역을 식별할 수 있음을 확인했다.
• 실제 시뮬레이션 환경에서 이러한 방법들을 더욱 발전시키고 기준을 마련하기 위해 LHC 올림피아드 2020 데이터 챌린지가 도입되었다.