[논문 리뷰] On the potential of multivariate techniques for the determination of multidimensional efficiencies

B. Viaud|arXiv (Cornell University)|2016. 02. 11.

Particle physics theoretical and experimental studies참고 문헌 27인용 수 5

한 줄 요약

이 논문은 고에너지 물리학 붕괴에서 재구성 및 선택 기준으로 인해 위상공간 분포가 왜곡되는 상황에서 다변량 기법, 특히 다층 퍼셉트론 신경망을 사용하여 다차원 효율성을 결정하는 데 초점을 맞춘다. $B^0 \to K^{*0} \mu^+ \mu^-$와 $D^0 \to K^- \pi^+ \pi^+ \pi^-$ 두 사례 연구를 통해, 최소한의 최적화와 기본 설정 조건에서도 이러한 방법이 왜곡을 효과적으로 보정할 수 있음을 보이며, 백분율 수준 또는 그 이상의 불확도에서 정밀 측정에 큰 잠재력을 지닌다.

ABSTRACT

Differential measurements of particle collisions or decays can provide stringent constraints on physics beyond the Standard Model of particle physics. In particular, the distributions of the kinematical and angular variables that characterise heavy me- son multibody decays are non trivial and can sign the underlying interaction physics. In the era of high luminosity opened by the advent of the Large Hadron Collider and of Flavor Factories, differential measurements are less and less dominated by statistical precision and require a precise determination of efficiencies that depend simultaneously on several variables and do not factorise in these variables. This docu- ment is a reflection on the potential of multivariate techniques for the determination of such multidimensional efficiencies. We carried out two case studies that show that multilayer perceptron neural networks can determine and correct for the distortions introduced by reconstruction and selection criteria in the multidimensional phase space of the decays $B^{0}\ ightarrow K^{*0}(\ ightarrow K^{+}\\pi^{-}) \\mu^{+}\\mu^{-}$ and $D^{0}\ ightarrow K^{-}\\pi^{+}\\pi^{+}\\pi^{-}$, at the price of a minimal analysis effort. We conclude that this method can already be used for measurements which statistical precision does not yet reach the percent level and that with more sophisticated machine learning methods, the aforementioned potential is very promising.

연구 동기 및 목표

• 고차원성과 인과성에 의한 효율 의존성으로 인해 전통적인 분할 기반 방법이 비현실적이 되는 입자 붕괴에서 다변량 기법이 다차원 효율성을 효과적으로 결정할 수 있는지 조사하는 것.
• 특히 다층 퍼셉트론 신경망과 같은 상용 기계학습 도구를 광범위한 초모수 최적화 없이도 고에너지 물리 측정에서 위상공간 왜곡을 보정하는 데 가능성이 있는지 평가하는 것.
• 통계적 불확도가 아직 백분율 이하 수준에 도달하지 못한 측정에서 이러한 방법이 충분한 정밀도를 확보할 수 있는지 평가하는 것.
• 기계학습 기반의 복잡한 시뮬레이션에 의존하는 다차원 붕괴 분석에서의 효율 결정 방법에 대한 실용적이고 확장 가능한 대안으로서의 개념 증명을 제공하는 것.

제안 방법

• 연구는 $B^0 \to K^{*0} \mu^+ \mu^-$ 및 $D^0 \to K^- \pi^+ \pi^+ \pi^-$ 붕괴에서 재구성된 위상공간 분포와 생성된 위상공간 분포 간의 매핑을 학습하기 위해 다층 퍼셉트론(MLP) 신경망을 사용한다.
• 신경망은 전체 4차원 운동량 공간인 $q^2$, $\cos\theta_l$, $\cos\theta_K$, $\phi$를 사용하여 시뮬레이션된 위상공간 샘플(원본)과 재구성된 샘플(왜곡됨) 간의 구분을 학습한다.
• 학습된 네트워크의 출력 점수를 사용하여 이벤트 가중치($\omega_i$)를 할당함으로써 왜곡을 보정하고, 재구성된 샘플이 원본 위상공간 분포와 일치하도록 재가중한다.
• 이 방법은 표준 기계학습 패키지에서 제공하는 일반적이고 기본적인 초모수 설정에 의존하여 전문가 수준의 최적화가 최소화된다.
• 보정의 유효성은 보정된 분포를 원본 시뮬레이션된 위상공간 분포와 비교하여 검증되며, $q^2$ 구간별 효율 비율의 시각적 및 정량적 평가를 통해 이루어진다.
• 이 방법은 대규모 시뮬레이션 샘플이나 세밀한 분할을 요구하지 않으며, 고차원 공간에서 복잡하고 인과성이 없는 효율 표면을 모델링할 수 있는 네트워크의 능력을 활용한다.

실험 결과

연구 질문

• RQ1 최소한의 튜닝과 기본 설정 조건에서 다층 퍼셉트론 신경망이 $B^0 \to K^{*0} \mu^+ \mu^-$ 붕괴에서 다차원 효율 왜곡을 보정할 수 있는가?
• RQ2 재구성 및 선택 기준으로 인해 복잡하고 인과성이 없는 왜곡이 발생하는 $D^0 \to K^- \pi^+ \pi^+ \pi^-$ 붕괴에서 이러한 방법이 진정한 위상공간 분포를 어느 정도 회복할 수 있는가?
• RQ3 통계적 정밀도가 백분율 수준 또는 그 이하일 경우, 이러한 접근 방식이 충분히 유용한가? (즉, 백분율 이하 정밀도가 요구되는 측정에 적합한가?)
• RQ4 신경망의 출력 점수를 이용한 재가중 절차는 여러 $q^2$ 영역에서 원래의 효율 표면을 얼마나 효과적으로 복원하는가?

주요 결과

• 다층 퍼셉트론 신경망은 $B^0 \to K^{*0} \mu^+ \mu^-$ 붕괴의 4차원 위상공간에서 재구성 및 선택 기준으로 인한 왜곡 패턴을 성공적으로 학습하였다.
• 신경망의 출력 점수를 이용한 재가중 후, 보정된 분포는 원본 시뮬레이션된 위상공간 분포와 매우 유사했으며, 대부분의 $q^2$ 영역에서 잔여 왜곡은 5% 이하였다.
• $D^0 \to K^- \pi^+ \pi^+ \pi^-$ 붕괴의 경우에도 이 방법은 여러 구간에서 원본 위상공간 형태를 효과적으로 복원하여, 다양한 붕괴 모드 간의 적용 가능성을 입증하였다.
• 기본 초모수 설정과 최소한의 최적화 조건에서도 보정이 효과적으로 이루어져 고에너지 물리 분석에 있어 진입 장벽이 낮다는 점을 시사한다.
• 결과적으로 이 방법은 통계적 정밀도가 아직 백분율 이하 수준에 도달하지 못한 측정에 이미 적용 가능하다는 점을 시사한다.
• 연구는 더 고급 기계학습 기법을 활용할 경우 정확하고 효율적이며 확장 가능한 다차원 효율 결정 방법의 잠재력이 매우 높다는 결론을 내린다.