[논문 리뷰] Learning Multivariate New Physics

Raffaele Tito D’Agnolo, G. Grosso외 3명|arXiv (Cornell University)|2019. 12. 27.

Particle physics theoretical and experimental studies참고 문헌 72인용 수 13

한 줄 요약

이 논문은 높은 에너지 물리 데이터세트에서 기준 모델(예: 표준모형)에서의 소규모 다변량 이탈을 특정한 새로운 물리 신호를 가정하지 않고 탐지하기 위한 다층퍼셉트론 기반 방법을 제시한다. 이 방법은 LHC의 이무온 최종 상태에서 미세한 차이를 식별하여 공명 $Z'$ 및 비공명 접촉 상호작용에 민감함을 보이며, 그렇지 않으면 거짓 경고를 유발할 수 있는 시스템적 오모델링에 대해서도 강건함을 입증한다.

ABSTRACT

We discuss a method that employs a multilayer perceptron to detect deviations from a reference model in large multivariate datasets. Our data analysis strategy does not rely on any prior assumption on the nature of the deviation. It is designed to be sensitive to small discrepancies that arise in datasets dominated by the reference model. The main conceptual building blocks were introduced in Ref. [1]. Here we make decisive progress in the algorithm implementation and we demonstrate its applicability to problems in high energy physics. We show that the method is sensitive to putative new physics signals in di-muon final states at the LHC. We also compare our performances on toy problems with the ones of alternative methods proposed in the literature.

연구 동기 및 목표

• 고에너지 물리 데이터세트에서 기준 모델에서의 소규모 다변량 이탈을 모델 독립적으로 탐지하기 위한 방법을 개발하는 것.
• 잘 맞는 기준 모델(예: SM 또는 $\Lambda$CDM)에 의해 지배되는 데이터에서 희귀하거나 局부적인 이질성을 탐지하는 과제를 해결하는 것.
• 비일관된 백그라운드에서의 희귀한 신호가 기존의 구간화된 최대우도 방법으로는 과도한 포isson 변동성으로 인해 감지되지 않는 신호를 탐지할 수 있도록 하는 것.
• LHC 이무온 데이터에서 공명($Z' \to \mu^+\mu^-$) 및 비공명(4 Fermion 접촉 상호작용) 신호에 대한 방법의 민감도를 정량화하는 것.
• 특히 이온의 운동량 스케일 오모델링과 같은 기준 샘플의 시스템적 불확실성의 영향을 방법의 성능과 오류율에 미치는 영향을 평가하는 것.

제안 방법

• 방법은 물리적 관측량 공간에서 기준 모델의 확률 밀도를 학습하기 위해 다층퍼셉트론(MLP)을 다차원 함수 근사기로 사용한다.
• MLP는 표준모형(또는 다른 기준 모델)의 예측 분포를 반영하는 기준 데이터세트를 사용하여 훈련되며, 시뮬레이션 또는 제어 영역 데이터를 활용한다.
• 테스트 통계량은 MLP의 출력 점수를 바탕으로 기준 모델과 대안 가설 하에서의 가능도를 비교하여 구성된다.
• 이 방법은 데이터가 기준 모델의 예측에서 유의미하게 벗어나는 관측량 공간의 영역을 식별함으로써, 조건이 만족되는 이벤트의 소수에만 영향을 주는 미세한 이질성도 탐지할 수 있다.
• 이 접근법은 비일관된 영역의 포isson 변동성에 민감하지 않게 설계되어, 기존의 구간화된 방법에서 관찰되는 신호 억압 현상을 피한다.
• 기준 샘플의 시스템적 불확실성은 부수적 변수로 간주되며, 향후 연구에서 분석 프레임워크에 공식적으로 통합될 것으로 기대된다.

실험 결과

연구 질문

• RQ1 신호를 특정으로 가정하지 않고, 고에너지 물리 데이터세트에서 기준 모델에서의 소규모 다변량 이탈을 신경망 기반 방법이 탐지할 수 있는가?
• RQ2 이 논문의 방법은 LHC 이무온 최종 상태에서 $Z' \to \mu^+\mu^-$ 공명 및 비공명 접촉 상호작용을 탐지하는 데 얼마나 잘 작동하는가?
• RQ3 기준 샘플의 시스템적 오류(예: 이온 운동량 스케일의 잘못된 校정)는 방법이 진정한 새로운 물리 신호와 배경 오모델링을 구별하는 능력에 얼마나 큰 영향을 미치는가?
• RQ4 테스트 문제에서 다른 모델 독립적 이상 탐지 기법과 비교했을 때 이 방법의 민감도는 어떠한가?
• RQ5 기준 샘플의 오모델링은 거짓 경고를 유도하는가? 또는 진정한 새로운 물리 신호를 가려내는 데 영향을 주는가?

주요 결과

• 비편향된 기준 샘플을 사용할 경우, $Z' \to \mu^+\mu^-$ 신호를 약 10σ의 유의수준으로 성공적으로 탐지하며, 0.5% 운동량 스케일 오모델링 하에서는 4σ로 감소한다.
• c_W = 10^{-6}\,\text{TeV}^{-2} 인 4 Fermion 접촉 상호작용에 의해 유도된 비공명 신호에 대해서도 방법은 감지 가능성을 보이며, 비공명 새로운 물리 신호 탐지 능력을 확인한다.
• 이온 운동량 스케일에서 0.1% 수준의 오모델링은 유의미한 반응을 유도하지 않으며, 이는 소규모 시스템적 오류에 대한 강건성을 시사한다.
• 더 큰 오모델링(±0.5%)은 테스트 통계량을 증가시키고 p-값을 감소시키며, 이는 시스템적 오류가 거짓 긍정(1형 오류)을 유도할 수 있음을 보여준다.
• 진정한 새로운 물리 신호가 존재할 경우, 기준 샘플의 시스템적 오모델링은 관측된 유의수준을 높이며, 이는 방법이 거짓 부정을 생성하지 않으며 사실상 신호의 가시성을 향상시킬 수 있음을 의미한다.
• 비일관된 백그라운드 영역에서의 포isson 변동성으로 인한 신호 억압을 피하기 때문에, 이 방법은 기존의 구간화된 최대우도 방법보다 소규모 국소 이질성을 탐지하는 데 더 뛰어나다.