[논문 리뷰] Benchmarks for a Global Extraction of Information from Deeply Virtual Exclusive Scattering

Manal Almaeen, Jake Grigsby외 5명|arXiv (Cornell University)|2022. 07. 21.

Particle physics theoretical and experimental studies인용 수 4

한 줄 요약

이 논문은 얕은 가상의 콜로맥스 산란(DVCS) 데이터에서 콜로맥스 형상 인자(CFFs)를 벤치마킹하고 추출하기 위한 기계학습 프레임워크인 FemtoNet을 소개한다. 이 프레임워크는 물리적 제약 조건과 불확실성 정량화를 통합하여, 일반화 능력 향상과 오차 통제를 가능하게 한다. 랜덤 타겟 방법을 제안하여 확률적 불확실성과 지식 기반 불확실성을 분리함으로써, 설명 가능하고 제어 가능한 기계학습 기반의 CFFs 추출이 가능해졌으며, 이는 배타적 산란 관측량에서 CFFs를 보다 정밀하게 추출할 수 있도록 한다.

ABSTRACT

We develop a framework to establish benchmarks for machine learning and deep neural networks analyses of exclusive scattering cross sections (FemtoNet). Within this framework we present an extraction of Compton form factors for deeply virtual Compton scattering from an unpolarized proton target. Critical to this effort is a study of the effects of physics constraint built into machine learning (ML) algorithms. We use the Bethe-Heitler process, which is the QED radiative background to deeply virtual Compton scattering, to test our ML models and, in particular, their ability to generalize information extracted from data. We then use these techniques on the full cross section and compare the results to analytic model calculations. We propose a quantification technique, the random targets method, to begin understanding the separation of aleatoric and epistemic uncertainties as they are manifest in exclusive scattering analyses. We propose a set of both physics driven and machine learning based benchmarks providing a stepping stone towards applying explainable machine learning techniques with controllable uncertainties in a wide range of deeply virtual exclusive processes.

연구 동기 및 목표

• 깊이 있는 가상의 배타적 산란(DVES) 실험에 응용된 기계학습 응용을 위한 체계적인 벤치마킹 프레임워크를 구축하기 위해.
• 물리적 정보를 통합한 기계학습을 통해 무극성 양성자 산란 데이터로부터 콜로맥스 형상 인자(CFFs)의 정밀한 추출을 가능하게 하기 위해.
• 제한된 극화 관측량으로부터 다수의 CFFs를 추출하는 역문제를 해결하기 위해 불확실성과 모델 신뢰도를 정량화하기 위해.
• 지식 기반 불확실성과 확률적 불확실성을 분리하기 위한 새로운 랜덤 타겟 방법을 통해 기계학습 모델의 불확실성 정량화를 향상시키기 위해.
• 고차원 DVES 분석에서 물리적 제약 조건과 데이터 기반 학습을 통합함으로써 강력한 해석 가능성 AI의 기초를 마련하기 위해.

제안 방법

• QED 및 QCD 제약 조건(예: Bethe-Heitler 과정)을 통합한 FemtoNet을 개발하여 CFF 추출의 일반화 능력을 향상시킨다.
• 변동형 오토인코더 역매핑(VAIM)을 적용하여 단면적에서 CFFs를 재구성함으로써 잠재 공간에서의 사후 분포 추정을 가능하게 한다.
• 랜덤 타겟 방법을 도입하여 랜덤화된 타겟 레이블로 학습함으로써 지식 기반 불확실성을 고립하고 정량화한다.
• 데이터 증강을 활용하여 실험 오차를 VAIM 프레임워크로 전파함으로써, 실험 데이터에서 CFF 파rameter로의 오차 전파를 가능하게 한다.
• 기계학습 기반 CFF 추출 결과를 해석적 모델 계산 결과와 비교하여 성능과 일관성을 검증한다.
• 통계적 프레임워크를 활용하여 체계적 오차, 지식 기반 불확실성, 확률적 불확실성을 별도로 다루어 고차원 DVES 문제에서 제어 가능한 불확실성 정량화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 어떻게 물리적 제약 조건을 통합하여 배타적 산란 데이터 분석에서 일반화 능력을 향상시킬 수 있는가?
• RQ2 랜덤 타겟 방법은 DVCS 데이터에서 CFF 추출 시 지식 기반 불확실성과 확률적 불확실성을 어느 정도 분리할 수 있는가?
• RQ3 VAIM 기반 역매핑은 단일 관측량으로부터 제어 가능한 불확실성을 가진 다수의 CFF 해를 재구성할 수 있는가?
• RQ4 물리적 정보를 통합한 신경망은 표준 기계학습 모델에 비해 시뮬레이션된 DVCS 단면적에서 CFFs를 얼마나 잘 추출하는가?
• RQ5 데이터 증강과 오차 전파의 영향은 기계학습 기반 CFF 추출에서 불확실성 정량화에 어떤 영향을 미치는가?

주요 결과

• 랜덤 타겟 방법은 지식 기반 불확실성을 성공적으로 고립하여 CFF 매개변수화에서 모델 고유 오차를 정량화할 수 있도록 했다.
• 물리적 제약 조건을 통합한 기계학습 모델은 Bethe-Heitler 배경 과정에서 일반화 능력 향상으로 인해 강건성을 입증했다.
• VAIM 기반 역매핑은 다수의 타당한 CFF 해를 재구성하여 고차원 매개변수 공간에서의 역문제 해결 능력을 입증했다.
• 실험 데이터에서 CFFs로의 불확실성 전파가 가능해졌으며, 결과적으로 해석적 모델 계산과 일관된 일치를 보였다.
• 물리적 제약 조건과 불확실성 정량화의 통합은 배타적 산란 분석에서 모델의 해석 가능성과 신뢰도를 크게 향상시켰다.
• FemtoNet은 향후 GPD 및 DVES 실험에서의 CFF 추출을 위한 재현 가능한 벤치마킹 파이프라인을 구축했다.