[논문 리뷰] Efficient description of experimental effects in amplitude analyses

A. Mathad, D. P. O’Hanlon외 2명|arXiv (Cornell University)|2019. 02. 04.

Particle physics theoretical and experimental studies참고 문헌 4인용 수 1

한 줄 요약

이 논문은 양자화된 수렴성과 배경 분포를 정규화하여 다차원 진폭 분석에서 하드론 붕괴의 비균일한 검출기 수용성과 배경 분포를 효율적으로 모델링하기 위해 고급 기계학습 기법—가우시안 프로세스와 인공 신경망을 제안한다. 이 방법들은 측정된 측면대에서의 외삽과 물리학에 기반한 매개변수화를 가능하게 하여 체계적 불확실성을 감소시키고 계산 비용을 절감하며, 특히 인공 신경망이 50×50 격자 분할 테스트에서 χ²/nDoF = 2472.6/2491의 정확도를 달성한다.

ABSTRACT

Amplitude analysis is a powerful technique to study hadron decays. A significant complication in these analyses is the treatment of instrumental effects, such as background and selection efficiency variations, in the multidimensional kinematic phase space. This paper reviews conventional methods to estimate efficiency and background distributions and outlines the methods of density estimation using Gaussian processes and artificial neural networks. Such techniques see widespread use elsewhere, but have not gained popularity in use for amplitude analyses. Finally, novel applications of these models are proposed, to estimate background density in the signal region from the sidebands in multiple dimensions, and a more general method for model-assisted density estimation using artificial neural networks.

연구 동기 및 목표

• 다차원 진폭 분석에서 비균일한 검출기 수용성과 배경 분포를 모델링하는 도전 과제를 해결한다.
• 효율성과 배경의 전통적인, 종종 최적화되지 않은 매개변수화로 인한 체계적 불확실성을 감소시킨다.
• 대규모이고 계산 비용이 큰 몬테카를로 시뮬레이션에 대한 의존도를 줄이기 위해 데이터 기반, 부드럽고 정규화된 모델을 가능하게 한다.
• 특히 고차원 위상 공간에서 신호 영역으로의 배경 밀도 외삽을 강력하게 가능하게 한다.
• 물리적 종속성을 반영한 모델 보조 신경망 매개변수화를 도입하여 모델의 해석 가능성과 제약력을 향상시킨다.

제안 방법

• 내재된 부드러움과 불확실성 정량화 기능을 갖춘 비모수적 방법으로 가우시안 프로세스를 사용해 수용성과 배경 밀도를 모델링한다.
• 고차원 밀도 추정을 위해 인공 신경망(ANN)을 적용하고, 복잡한 다차원 상관관계를 학습하기 위해 시뮬레이션 데이터를 기반으로 훈련한다.
• 함수 형태에 대한 가정 없이, 측면대에서의 배경 밀도를 신호 영역으로 외삽하기 위한 새로운 방법을 구현한다.
• 물리적 매개변수(예: pT, 질량 컷)에 대한 의존성을 학습하는 모델 보조 ANN 프레임워크를 개발하여 물리적 동기를 가진 정규화를 가능하게 한다.
• 모델 매개변수를 다양하게 조정한 시뮬레이션 샘플을 기반으로 ANN을 훈련하여 7차원(효율성) 또는 11차원(배경) 밀도 분포를 전반적으로 학습한다.
• 비정규화된 최대우도 추정에서 정규화된 우도를 사용하며, F(x|ΘA)는 신호 진폭, 수용성 ϵ(x), 배경 B(x)를 조합한 것으로, −2lnL = −2∑lnF(xi|ΘA)와 같이 기술된다.

실험 결과

연구 질문

• RQ1 가우시안 프로세스와 신경망은 기존 방법에 비해 진폭 분석에서 검출기 수용성을 더 정확하고 효율적으로 매개변수화할 수 있는가?
• RQ2 특정 함수 형태를 가정하지 않고도 측면대에서의 배경 밀도를 신호 영역으로 신뢰성 있게 외삽할 수 있는가?
• RQ3 신경망은 운동량 변수와 검출기 수준의 영향 요소 간의 복잡한 다차원 상관관계를 어느 정도 잘 학습할 수 있는가?
• RQ4 모델 보조 신경망을 통해 물리적 종속성을 밀도 모델에 통합함으로써 체계적 불확실성을 줄일 수 있는가?
• RQ5 실제 하드론 붕괴 분석에서 차원 수와 데이터 크기가 증가함에 따라 이러한 고급 기법은 어떻게 스케일링되는가?

주요 결과

• 제안된 신경망 기반 배경 모델은 50×50 격자 분할 테스트에서 χ²/nDoF = 2472.6/2491의 적합도를 달성하여 진짜 분포와 양호한 일치를 보였다.
• 신경망은 카이론의 평균 pT(0.277 ± 0.010 GeV 대비 진짜 값 0.3 GeV)와 같은 핵심 배경 모델 매개변수를 높은 정밀도로 재구성했다.
• 가우시안 프로세스와 신경망의 사용으로 수용성과 배경의 매끄럽고 정규화된 모델링이 가능해져 대규모 몬테카를로 샘플에 대한 의존도가 감소했다.
• 모델 보조 ANN 접근법을 통해 물리적 매개변수에 대한 잠재적 종속성을 추출할 수 있었고, 이는 모델의 해석 가능성과 제약력을 향상시켰다.
• 측면대에서의 배경 외삽을 가우시안 프로세스 또는 신경망 모델을 사용해 고차원 위상 공간에서 효과적으로 수행했으며, 운동량 상관관계로 인한 편향을 완화시켰다.
• 이러한 기법들은 함께 작용하여 진폭 분석에서 기계적 영향을 더 효율적이고 정확하게 모델링함으로써 체계적 불확실성과 계산 비용을 감소시켰다.