[논문 리뷰] Resonance Searches with Machine Learned Likelihood Ratios

Jacob Hollingsworth, D. Whiteson|arXiv (Cornell University)|2020. 02. 11.

Particle physics theoretical and experimental studies참고 문헌 28인용 수 9

한 줄 요약

이 논문은 다변량 검출기 수준의 관측치를 사용하여 공명 탐색을 위한 우도 비율을 계산하기 위한 기계학습 접근법을 제시한다. 기존의 히스토GRAM 기반 방법과 행렬원소 근사치를 피함으로써 전통적인 방법의 정보 손실 문제를 해결한다. 시뮬레이션된 사건들로부터의 잠재 정보를 기반으로 신경망을 훈련시킴으로써, 기존 방법보다 더 날카운 감지 한계를 달성하며, Z' 보손 탐색에서 감도 향상에 상당한 기여를 한다.

ABSTRACT

We demonstrate the power of machine-learned likelihood ratios for resonance searches in a benchmark model featuring a heavy Z' boson. The likelihood ratio is expressed as a function of multivariate detector level observables, but rather than being calculated explicitly as in matrix-element-based approaches, it is learned from a joint likelihood ratio which depends on latent information from simulated samples. We show that bounds drawn using the machine learned likelihood ratio are tighter than those drawn using a likelihood ratio calculated from histograms.

연구 동기 및 목표

• 공명 탐색을 위한 다변량 검출기 수준의 사건 정보를 활용하는 우도 자유 추론 방법을 개발하여, 불변 질량 요약으로 인한 정보 손실를 방지한다.
• 차원의 극복 문제와 정보 손실로 인해 악영향을 받는 전통적인 히스토GRAM 기반 우도 비율의 한계를 극복한다.
• 원래 효과적 장이론(EFT)을 위한 것으로 설계된 ALICE 프레임워크를 공명 탐색에 적응시키되, 질량에 대한 다항식이 아닌 행렬원소 의존성 등의 도전 과제를 고려한다.
• 훈련 중 분석 도함수(스코어)에 접근할 수 없더라도 기계학습된 우도 비율이 표준 방법을 능가할 수 있음을 입증한다.
• 검출기 응답에 의존하지 않는 계산 효율성이 높은 행렬원소 방법의 대안을 제시하며, 전체 사건 정보를 유지한다.

제안 방법

• 모델은 시뮬레이션된 사건들로부터 잠재적인 파arton 수준의 정보와 검출기 수준의 관측치를 기반으로 신경망을 훈련시켜 우도 비율 함수를 학습한다.
• 직접적인 행렬원소 계산과 검출기 전이 함수 근사치를 피하기 위해, 시뮬레이션에서 직접 연합 우도 비율을 학습한다.
• 이론적 매개변수(질량 및 결합 상수)를 입력으로 사용하여 신호 및 배경 사건 쌍에 대한 대비 손실을 통해 우도 비율을 훈련한다.
• 모델은 테스트 세트의 사건을 사용하여 평가되며, 결과로 도출된 우도 비율은 가설 검정을 위한 로그 우도 비율을 계산하는 데 사용된다.
• 다변량 입력은 검출기 수준의 4모멘타를 포함하며, 불변 질량과 빠르기 차이가 핵심 관측치이다.
• 하이퍼파ram터는 교차 검증을 통해 조정되며, 모델은 AMSGrad 옵timizer와 선형 학습률 감소 전략을 사용해 훈련된다.

실험 결과

연구 질문

• RQ1 다변량 검출기 수준의 관측치를 기반으로 한 기계학습된 우도 비율이 공명 탐색에서 기존의 히스토GRAM 기반 우도 비율을 능가할 수 있는가?
• RQ2 불변 질량을 초월한 전체 사건 정보(다변량)를 사용할 경우 Z' 보손 탐지의 감도는 어느 정도 향상되는가?
• RQ3 원래 EFT를 위한 것으로 설계된 ALICE 프레임워크가 불완전한 모폴로지 변환 기능이 없더라도 공명 탐색에 성공적으로 적응될 수 있는가?
• RQ4 훈련 중 도함수 정보(스코어)에 접근할 수 없더라도 이 방법이 히스토GRAM 기반 접근법보다 더 낮은 감지 한계를 달성할 수 있는가?
• RQ5 검출기 전이 함수 근사치를 피하는 방식으로 행렬원소 방법의 더 정확하고 효율적인 대안이 될 수 있는가?

주요 결과

• 기계학습된 우도 비율 방법은 히스토그램 기반 방법보다 훨씬 날카운 감지 윤곽을 도출하여 감도 향상이 뚜렷하다.
• 행렬원소 방법과 비교해 유사한 성능을 달성하지만, 검출기 응답에 대한 근사치가 필요로 하지 않는다.
• 가장 많은 정보를 담고 있는 핵심 관측치는 이징절 불변 질량 $m_{jj}$ 와 빠르기 차이 $\Delta y_{jj}$이며, 고차원 특징에서의 정보 손실는 미미하다.
• 분석 도함수(스코어)에 접근할 수 없음에도 불구하고 모델은 뛰어난 성능을 달성하여, 공명 탐색에서 샘플 효율적인 훈련의 가능성을 입증한다.
• 전체 다변량 분석이 불변 질량 분석보다 상당한 성능 향상을 이끌어내며, 검출기 수준의 4모멘타를 다루는 데서 유의미한 이점이 있음을 보여준다.
• 더 복잡한 공명 과정의 경우 이 다변량 접근법이 정보 보존 능력 덕분에 더욱 큰 이점을 얻을 수 있음을 시사한다.