[논문 리뷰] One-loop matrix element emulation with factorisation awareness

D. Maître, H. Truong|arXiv (Cornell University)|2023. 02. 08.

Matrix Theory and Algorithms인용 수 7

한 줄 요약

이 논문은 높은 다중성 과정에서 한계 없는 매트릭스 요소를 위한 인과 인지 인식 신경망 에뮬레이터를 제시한다. 여기서 앤티나 함수를 사용하여 적외선 특이성을 인코딩한다. 이는 최대 다섯 개의 최종 상태 입자를 포함한 영역에서 백분율 수준의 정확도를 달성하며, 비용이 많이 드는 한계 없는 진폭을 재평가하지 않고도 효율적인 데이터 증강을 가능하게 한다.

ABSTRACT

In this article we present an emulation strategy for one-loop matrix elements. This strategy is based on the factorisation properties of matrix elements and is an extension of the work presented in arXiv:2107.06625. We show that a percent-level accuracy can be achieved even for large multiplicity processes. The point accuracy obtained is such that it dwarfs the statistical accuracy of the training sample which allows us to use our model to augment the size of the training set by orders of magnitude without additional evaluations of expensive one-loop matrix elements.

연구 동기 및 목표

• 다음 단계의 정확도(NLO) 계산에서 한계 없는 매트릭스 요소를 위한 고정확도이고 효율적인 서rogate 모델을 개발하기 위해.
• 다중 입자 최종 상태에서의 적외선 발산과 복잡한 특이성 구조 문제를 다루기 위해.
• 비용이 많이 드는 한계 없는 진폭을 재평가하지 않고도 훈련 샘플의 데이터 증강을 수십만 배 이상 확장할 수 있도록 하기 위해.
• 현대적인 C++ 이벤트 생성기와의 통합을 위해 ONNX 런타임을 통해 에뮬레이터를 통합하여 광범위한 적용 가능성을 확보하기 위해.
• 모델의 불확실성 추정이 진짜 오차를 신뢰성 있게 둘러싸며, 신뢰할 수 있는 단면적 예측을 가능하게 하기 위해.

제안 방법

• 나무 진폭과 한계 없는 진폭 간 간섭 항의 비율인 k-요인을 에뮬레이트하여 적외선 발산을 정규화한다.
• 기존의 물리적 구조—항아 함수 $X_{ijk}^{0}$ 및 $X_{ijk}^{1}$—를 에뮬레이터의 안사트에 기저 함수로 통합하여 적외선 특이성을 인코딩한다.
• 신경망을 사용하여 항아 함수 전개의 계수를 학습함으로써 단계 공간 영역 간의 매끄러운 보간을 가능하게 한다.
• 재정규화 스케일을 신경망의 매개변수 입력으로 취급하여 스케일에 대한 민감한 의존성을 허용한다.
• 통계적 불확실성이 큰 소규모 훈련 샘플에서 모델을 훈련시키며, 모델의 정확도를 활용하여 통계적 통합 오차를 초월한다.
• ONNX 런타임을 통해 훈련된 모델을 배포하여 C++ 기반 이벤트 생성기와 고성능 컴퓨팅 환경에 통합한다.

실험 결과

연구 질문

• RQ1 인과 인지 인식 신경망 에뮬레이터는 높은 다중성 과정에서 한계 없는 매트릭스 요소에 대해 백분율 수준의 정확도를 달성할 수 있는가?
• RQ2 물리적 항아 함수를 통합함으로써 일반화 성능이 향상되고 다중성 증가에 따른 오차 증가가 어떻게 감소하는가?
• RQ3 에뮬레이터의 예측 정확도가 훈련 샘플의 통계적 불확실성 수준을 얼마나 초월할 수 있는가?
• RQ4 모델의 불확실성 추정이 진짜 값이 포함되며, 이는 신뢰할 수 있는 단면적 예측을 위한 유효하고 유용한 오차 막대를 제공하는가?
• RQ5 에뮬레이터의 계산 성능는 기존의 한계 없는 매트릭스 요소 제공자와 비교하여 어떻게 되는가?

주요 결과

• 에뮬레이터는 테스트된 모든 과정에서 백분율 수준의 정확도를 달성하였으며, 최대 다섯 개의 최종 상태 입자를 포함한 영역에서도 적외선 영역에서 동일하게 성능을 유지한다.
• 안사트에 항아 함수를 통합함으로써 기준 모델 대비 다중성 증가에 따른 정확도 저하가 크게 감소한다.
• 모델 오차는 항상 훈련 샘플의 통계적 불확실성 이하로 유지되어, 단계 공간 점 수를 수십만 배 이상 증가시킨 신뢰할 수 있는 데이터 증강이 가능하다.
• 모델의 불확실성 추정은 진짜 값을 포함하며, 이는 단면적 예측에 대해 유효하고 사용 가능한 오차 막대를 제공한다.
• 특히 GPU에 배포하거나 ONNX 런타임을 통해 사용할 경우, 단일 CPU에서 기존의 한계 없는 제공자보다 수십만 배 이상 빠른 속도로 작동한다.
• ONNX를 통해 현대적인 C++ 이벤트 생성기와의 호환성이 확보되어 기존 시뮬레이션 파이프라인에 원활하게 통합될 수 있다.