[논문 리뷰] Kicking it Off(-shell) with Direct Diffusion

Anja Butter, Tomáš Ježo외 4명|arXiv (Cornell University)|2023. 11. 28.

Computational Physics and Python Applications인용 수 4

한 줄 요약

이 논문은 온-shell LHC 이벤트를 정확한 오프-shell 구성으로 효율적으로 변환하는 생성적 기계학습 방법인 Direct Diffusion (DiDi)를 제안한다. 이는 온-shell 피크를 초월한 양상공간 확장을 학습하여, 오프-shell 운동량 분포에서 상대 오차가 10% 미만이며, 온-shell 특징에서 5% 이내의 정밀도를 달성한다. 분류기 재가중 처리를 통해 정확도가 몇 퍼센트 수준으로 향상되며, 향후 HL-LHC 물리 분석을 위한 복잡한 오프-shell 배경의 빠르고 고정밀 시뮬레이션을 가능하게 한다.

ABSTRACT

Off-shell effects in large LHC backgrounds are crucial for precision predictions and, at the same time, challenging to simulate. We present a novel method to transform high-dimensional distributions based on a diffusion neural network and use it to generate a process with off-shell kinematics from the much simpler on-shell one. Applied to a toy example of top pair production at LO we show how our method generates off-shell configurations fast and precisely, while reproducing even challenging on-shell features.

연구 동기 및 목표

• 대규모 LHC 배경에 대해 정밀한 오프-shell 운동량 구성 생성의 과제를 해결한다.
• 톱 쿼크 쌍 생성 및 붕괴에 대한 정밀 예측에서 온-shell 근사의 한계를 극복한다.
• 온-shell 특징 정확도를 떨어뜨리지 않고 온-shell 이벤트에서 오프-shell 양상공간으로 매핑하는 빠르고 모듈형이며 조합 가능한 생성적 서rogate를 개발한다.
• 표준 이벤트 생성기인 MadGraph와의 효율적 통합을 위해 LHE 형식을 지원함으로써 향후 HL-LHC 분석에 활용 가능하게 한다.
• 학습 데이터의 통계적 한계를 추적할 수 있도록 베이지안 딥러닝을 통한 보수적인 불확도 추정을 제공한다.

제안 방법

• 온-shell 이벤트에서 오프-shell 구성으로 매핑하는 조건부 확산 생성 모델(DiDi)을 훈련하여, 단순한 유닛 변환으로부터의 양상공간 확장을 학습한다.
• 복잡한 오프-shell 양상공간을 모델링하면서도 역행성과 샘플링 효율성을 유지하기 위해 베이지안-CFM 확산 아키텍처를 사용한다.
• 분포 편향을 보정하고 특히 尾부 및 공명 구조 영역에서 어려운 운동량 영역에서 정밀도를 향상시키기 위해 분류기 재가중 처리를 적용한다.
• 작고 고품질의 온-shell 훈련 데이터셋을 활용하여 통제된 외삽을 통해 훨씬 더 큰 오프-shell 데이터셋을 생성한다.
• 예측 불확도를 추정하기 위해 베이지안 불확도 정량화를 사용하여 학습 데이터의 통계적 한계를 추적한다.
• 훈련된 모델을 표준 LHE 이벤트 형식과 호환되는 모듈형 파이프라인에 통합하여 이벤트 생성기에서 사용 가능하게 한다.

Figure 1 : Example distributions for on-shell and off-shell $t\bar{t}$ event samples, illustrating the different phase space coverage. The right panels show the same distribution as the left panels, but zoomed into the respective bulk region.

실험 결과

연구 질문

• RQ1 생성 모델은 온-shell 특징 정확도를 떨어뜨리지 않고 온-shell 이벤트에서 오프-shell 이벤트 구성 생성을 정확히 학습할 수 있는가?
• RQ2 분류기 재가중 처리는 특히 공명 꼬리 영역과 같은 고감도 영역에서 오프-shell 운동량 분포의 정밀도를 어떻게 향상시킬 수 있는가?
• RQ3 작고 단순한 확산 네트워크가 온-shell 피크 정확도를 유지하면서도 오프-shell 양상공간에서 상대 오차가 10% 미만 수준으로 달성할 수 있는가?
• RQ4 확산 모델에 적용된 베이지안 불확도 추정은 외삽된 영역에 대해 신뢰할 수 있고 보수적인 오차 범위를 제공할 수 있는가?
• RQ5 제안된 방법은 향후 HL-LHC 분석을 위한 표준 이벤트 생성기에 통합 가능한가? 확장성과 조합 가능성은 어떠한가?

주요 결과

• DiDi 모델은 온-shell 특징을 상대 오차 5% 이내로 재현하여 원본 온-shell 양상공간에 대한 높은 정밀도를 확인한다.
• 전체 양상공간에서 $m_{\bar{l}b}$ 및 $p_{T,\bar{b}}$와 같은 오프-shell 운동량 분포가 상대 오차 10% 이내로 재현되며, 학습 데이터와 일치하는 불확도를 보인다.
• 분류기 재가중 처리로 정밀도 오차가 몇 퍼센트 수준으로 감소하여 특히 꼬리 영역과 공명 영역에서 성능 향상이 뚜렷하다.
• DiDi의 베이지안 확장은 학습 데이터의 통계적 한계를 추적할 수 있는 보수적인 불확도 추정치를 제공하여 신뢰할 수 있는 불확도 정량화를 가능하게 한다.
• 제한된 학습 데이터와 작은 네트워크로도 높은 성능를 달성하여 실제 LHC 시뮬레이션 파이프라인에 적용 가능함을 입증한다.
• 모델은 LHE 형식과 호환되며, MadGraph와 같은 이벤트 생성기에 직접 통합되어 향후 분석에서 즉시 사용 가능한 플러그 앤 플레이 기능을 제공한다.

Figure 2 : Training procedure for a CFM network mapping between on-shell and off-shell phase space distributions. Diagram adapted from Ref [ 33 ] .