[논문 리뷰] Modern Machine Learning for LHC Physicists

Tilman Plehn, Anja Butter외 4명|arXiv (Cornell University)|2022. 11. 02.

Particle physics theoretical and experimental studies인용 수 33

한 줄 요약

현대 ML 기법이 LHC 물리학에 적용되는 방식과 로스 함수, 불확실성 인식 네트워크, 그리고 분류에서 생성 모델 및 추론에 이르기까지의 응용을 강조하는 강의 노트.

ABSTRACT

Depending on the point of view, modern machine learning is either providing an unprecedented boost to the numerical methods of particle physics, or it is transforming the way we do science with vast amounts of complex data. In any case, it is crucial for young researchers to stay on top of this development and apply cutting-edge methods and tools to all LHC physics tasks. These lecture notes lead students with basic knowledge of particle physics and significant enthusiasm for machine learning to relevant applications. They start with an LHC-specific motivation and a non-standard introduction to neural networks and then cover classification, unsupervised classification, generative networks, data representations, and inverse problems. Three themes defining much of the discussion are statistically defined loss functions, uncertainties, and accuracy. To understand the applications, the notes include some aspects of theoretical LHC physics. All examples are chosen from particle physics publications of the last few years, and many of them come with corresponding tutorials.

연구 동기 및 목표

• 대형 데이터 세트와 정밀한 불확실성 제어를 갖춘 HL-LHC 시대를 위해 LHC 연구자들이 최첨단 ML 도구를 채택하도록 동기를 부여한다.
• 제트 물리, 이벤트 및 시뮬레이션에 맞춘 신경망 및 ML 개념 소개를 제공한다.
• LHC 맥락에서 분류, 비지도 학습, 생성 및 역문제에 걸친 ML 방법을 고찰한다.
• LHC 분석에서 잘 정의된 손실 함수와 불확실성 인식 네트워크의 중요성을 강조한다.
• 최근 몇 년간 발표된 연구들에서 이론적 LHC 물리학과 실용적 응용에 ML 발전을 연결한다.

제안 방법

• 데이터 기록과 트리거링을 ML 용어로 데이터 압축 및 이상 탐지 문제로 논의한다.
• 제트 및 이벤트 재구성 및 ML이 입자 식별, 노이즈 제거, 제트 태깅을 어떻게 개선하는지 설명한다.
• LHC 시뮬레이션 체인(하드 산란에서 검출기까지)을 개요하고, ML이 순방향 시뮬레이션의 가속 및 불확실성 처리 개선에 어떻게 기여하는지 설명한다.
• 분류(CNNs, 그래프 네트워크, 트랜스포머), 비지도 분류, 생성 모델(VAEs, GANs, normalizing flows) 및 역문제에 대한 ML 기반 접근법을 제시한다.
• ML 강화 순방향 모델링 맥락에서 시뮬레이션 기반 추론, 가능도 추출 및 matrix-element method를 설명한다.
• 통계적 대 체계적, aleatoric 대 epistemic 등 불확실성 처리와 이를 훈련 및 추론에 통합하는 것의 중요성을 강조한다.

실험 결과

연구 질문

• RQ1 물리학 해석 가능성을 보존하면서 트리거링에서 검출기 수준 분석까지 LHC 데이터 파이프라인에 ML을 어떻게 통합할 수 있는가?
• RQ2 제트 태깅, 이벤트 분류 및 이상 탐지에 대해 어떤 ML 아키텍처와 손실 함수가 가장 효과적인가?
• RQ3 ML 기반 추론 및 flow-based 방법을 사용하여 순방향 시뮬레이션 및 검출기 효과를 역추정하거나 언폴드할 수 있는가?
• RQ4 통계적, 체계적, aleatoric, epistemic 등 불확실성 정량화를 LHC의 ML 관측치(observables) 및 분석에 어떤 방식으로 포함시킬 수 있는가?
• RQ5 정밀하고 빠르며 유연한 LHC 예측을 달성하는 데 생성 모델과 시뮬레이션 기반 추론이 어떤 역할을 하는가?

주요 결과

• ML 방법은 LHC에서 제트 태깅, 이벤트 분류 및 이상 탐색을 빠르게 변화시키고 있다.
• 물리학 정보를 반영한 잘 정의된 손실 함수와 불확실성 인식 네트워크가 LHC 분석의 견고한 ML 적용의 핵심이다.
• 생성 모델(VAEs, GANs, normalizing flows)은 빠른 이벤트 생성과 제어 가능한 불확실성으로 향상된 순방향 시뮬레이션을 가능하게 한다.
• 역문제 및 시뮬레이션 기반 추론은 복잡한 LHC 데이터에서 가능도와 최적의 관측치를 추출하는 경로를 제공한다.
• A matrix-element-method 관점은 ML에 의해 향상되어 더 정밀한 매개변수 추출 및 가설 검정이 가능해진다.
• 이 노트는 ML4Jets 관련 관행을 최신으로 유지하기 위해 지속적인 업데이트와 현재의 발표들과의 정합성을 옹호한다.