[논문 리뷰] Reconstructing partonic kinematics at colliders with Machine Learning

David F. Rentería-Estrada, Roger J. Hernández-Pinto외 2명|arXiv (Cornell University)|2021. 01. 01.

Particle physics theoretical and experimental studies인용 수 1

한 줄 요약

이 논문은 NLO QCD 및 LO QED 보정을 포함한 양성자-양성자 충돌에서 직접 광자를 포함하고 히드론을 생성하는 과정에서 파artinic 운동량 분율을 재구성하기 위한 기계학습 방법을 제시한다. 몬테카를로 시뮬레이션된 이벤트를 바탕으로 선형 회귀, 가우시안 프로세스, 신경망을 훈련시켜 파르티클 수준의 운동량 역학을 고정밀도로 재구성하였으며, 특히 신경망이 다른 방법들보다 뛰어난 성능을 보였고, 데이터가 빽빽한 영역을 초월해 외삽할 때에도 뛰어난 성능을 발휘하였다.

ABSTRACT

In the context of high-energy physics, a reliable description of the parton-level kinematics plays a crucial role for understanding the internal structure of hadrons and improving the precision of the calculations. Here, we study the production of one hadron and a direct photon, including up to Next-to-Leading Order Quantum Chromodynamics and Leading-Order Quantum Electrodynamics corrections. Using a code based on Monte-Carlo integration, we simulate the collisions and analyze the events to determine the correlations among measurable and partonic quantities. Then, we use these results to feed three different Machine Learning algorithms that allow us to find the momentum fractions of the partons involved in the process, in terms of suitable combinations of the final state momenta. Our results are compatible with previous findings and suggest a powerful application of Machine-Learning to model high-energy collisions at the partonic-level with high-precision.

연구 동기 및 목표

• 고에너지 히드론 충돌에서 측정 가능한 최종 상태 입자 운동량으로부터 파르티클 운동량 분율을 추론하는 문제를 다루기 위해.
• 분석적 가정을 회피하고 고차수의 양자장론 순서에서도 신뢰할 수 있는 방식으로 작동하는 기계학습 기반 방법을 개발하기 위해.
• 선형 회귀, 가우시안 프로세스, 신경망 등의 다양한 기계학습 알고리즘의 파르티클 수준 운동량 역학 재구성 성능를 비교하기 위해.
• 기존 분석적 방법이 실패하는 복잡한 과정에서 정밀한 이벤트 재구성을 가능하게 하며, 특히 고차수 보정이 적용된 경우에 유용하게 사용하기 위해.
• 향후 EIC 및 HL-LHC와 같은 새로운 충돌기에서 적용 가능한 과정 독립적이고 융통성 있는 파르티클 운동량 역학 재구성 프레임워크를 제공하기 위해.

제안 방법

• 몬테카를로 적분을 사용하여 NLO QCD 및 LO QED 보정을 포함한 양성자-양성자 충돌을 시뮬레이션하여 이벤트 수준의 데이터를 생성한다.
• 시뮬레이션된 이벤트로부터 측정 가능한 최종 상태 입자 운동량과 기저 파르티클 운동량 분율(x 및 z) 간의 상관관계를 추출한다.
• 최종 상태 입자의 운동량 변수를 입력 특징으로 사용하여 x 및 z를 예측하는 데 사용할 수 있는 훈련 데이터셋을 구성한다.
• 선형 회귀(기저 함수 포함), 가우시안 프로세스 회귀, 다층 퍼셉트론(MLP) 신경망이라는 세 가지 별개의 기계학습 모델을 훈련시킨다.
• 성능 향상을 위해 반복적인 테스트를 통해 신경망 아키텍처를 최적화하며, 레이어 수, 뉴런 수, 수렴 정밀도를 조정한다.
• 예측된 x 및 z 값과 몬테카를로로 생성된 진짜 파르티클 분율을 비교하여 재구성 정확도를 평가한다.

실험 결과

연구 질문

• RQ1 NLO QCD 및 LO QED 보정이 적용된 히드론 충돌에서 기계학습이 파르티클 운동량 분율(x 및 z)을 정확히 재구성할 수 있는가?
• RQ2 다양한 데이터 밀도에서 선형 회귀, 가우시안 프로세스, 신경망 등의 기계학습 모델이 파르티클 운동량 역학 재구성에 어떻게 성능을 내는가?
• RQ3 기계학습 방법이 훈련 데이터 영역을 초월해 외삽할 수 있는 정도는 어느 정도이며, 특히 데이터가 희박한 저x 및 저z 영역에서 어떻게 작용하는가?
• RQ4 고차수 보정이 적용된 파르티클 수준 운동량 역학 재구성에서 신경망 기반 접근이 분석적 또는 선형 방법보다 뛰어난 성능을 보일 수 있는가?
• RQ5 모델의 복잡도와 훈련 설정이 파르티클 운동량 역학 재구성의 정확도와 계산 비용에 어떻게 영향을 미치는가?

주요 결과

• 신경망이 모든 방법 중에서 가장 높은 재구성 정확도를 보였으며, 특히 저x 및 저z 영역 등 훈련 데이터가 희박한 영역에서 뛰어난 성능을 발휘하였다.
• MLP 방법은 선형 회귀를 능가했고, 충분히 큰 기저를 사용할 경우 가우시안 프로세스와 유사한 성능을 보였으며, 외삽 시 더 우수한 일반화 능력을 보였다.
• 선형 회귀 결과는 데이터 밀도에 의해 심하게 편향되어 있었으며, 저x 및 저z 영역을 초월해 외삽할 경우 성능이 열악하였다.
• 신경망 접근법은 철저한 아키텍처 최적화가 필요했으며, 깊이와 뉴런 수를 늘릴수록 성능 향상이 있었지만, 이는 더 긴 훈련 시간을 수반하였다.
• MLP 프레임워크는 사전 정의된 기저 함수가 필요로 하지 않아, 전혀 가정이 없는 과정 독립적인 접근이었으며, 다른 고에너지 물리 과정에 쉽게 적용 가능했다.
• 이 연구는 기계학습 기반 재구성이 복잡한 고차수 QCD 과정에서 분석적 방법의 유력한 대안이 될 수 있음을 입증하였으며, 특히 정밀도가 요구되는 상황에서 매우 유용하다.