[논문 리뷰] The Data-Directed Paradigm for BSM searches

Sergey Volkovich, Federico De Vito Halevy외 1명|arXiv (Cornell University)|2021. 07. 27.

Gaussian Processes and Bayesian Inference참고 문헌 1인용 수 7

한 줄 요약

이 논문은 표준모형을 초월하는 물리학(BSM) 탐색을 위한 데이터 중심 파라다임(DDP)을 소개한다. 이 방법은 사전에 정의된 신호 모델에 의존하지 않고, 양자수축 질량 분포에서의 뚜렷한 이질성을 식별하기 위해 딥러닝을 활용한다. 신경망을 통해 데이터를 통계적 유의성(유의도)를 나타내는 z-분포로 매핑하도록 훈련함으로써, 기존의 프로파일-우도비 테스트에 비해 95% 수준의 민감도를 확보하면서도 배경 및 시스템 불확실성 추정에 소요되는 시간을 피한다.

ABSTRACT

In search for new physics, we must leave no stone unturned. We propose a novel data-directed paradigm (DDP) for developing Beyond the Standard Model (BSM) signal hypotheses on the basis of collected data. The DDP is complimentary to traditional theory-directed searches that follow the blind-analysis paradigm and could open the door to regions in the data that will otherwise remain vastly unexplored. We suggest looking directly at the data to identify exclusive selections which exhibit significant deviations from some unique feature of the Standard Model. Such regions should be considered well-motivated for data-directed BSM hypotheses and studied further. In this letter, the paradigm is demonstrated by combining the promising potential of machine learning algorithms with the commonly used search for excesses of events over a smoothly falling background (bump-hunting). A deep neural network is trained to map any invariant mass distribution into a $z$-distribution that indicates the presence of statistically significant bumps. Using this approach, the time and effort consuming tasks of background and systematic uncertainty estimation are avoided. Compared to identifying bumps with the profile-likelihood ratio test using perfectly known background and signal, the algorithm is inferior by only $5$%.

연구 동기 및 목표

• 이론 중심이 아닌 데이터 중심의 새로운 BSM 탐색 파라다임을 개발하여, 표준모형을 초월한 뜻밖의 물리 현상을 발견할 수 있도록 한다.
• 기존의 돌출부 탐색 방법에서 시간이 오래 소요되는 배경 모델링과 시스템 불확실성 추정에 대한 의존도를 줄이기 위해 노력한다.
• 기존의 신호 가설이 다루지 않는 영역에서도 새로운 물리 현상을 시사할 수 있는 통계적으로 유의미한 데이터 분포의 이질성을 식별한다.
• 기계학습이 기존의 통계적 검정을 효과적으로 대체할 수 있으며, 높은 민감도를 유지할 수 있음을 보여준다.

제안 방법

• 딥러닝 신경망을 훈련하여, 어떤 양자수축 질량 분포도 표준모형에서의 이질성의 유의도를 나타내는 z-분포로 매핑하도록 한다.
• 신경망은 배경이 부드럽게 감소하는 것에 비해 초과 사건이 발생하는 영역(돌출부)을 통계적으로 유의미하게 탐지하도록 최적화된다.
• 데이터로부터 직접 유의도를 학습함으로써, 명시적인 배경 모델링과 시스템 불확실성 추정이 필요 없도록 한다.
• z-분포 출력 덕분에 사전에 신호 형상에 대한 지식이 없더라도 후속 연구를 위한 후보 영역을 신속하게 식별할 수 있다.
• 이론적 배경과 신호가 알려진 이상적인 조건에서 프로파일-우도비 테스트와의 성능 비교를 통해 방법의 유효성을 검증한다.
• 훈련 데이터는 통계적 변동성과 배경 형태를 포함한 현실적인 데이터 분포를 시뮬레이션하도록 구성된다.

실험 결과

연구 질문

• RQ1 기계학습을 활용한 데이터 중심 접근법이 기존의 이론 중심 탐색보다 양자수축 질량 분포에서의 뚜렷한 이질성을 더 효과적으로 탐지할 수 있는가?
• RQ2 딥러닝이 배경 모델링을 피하면서도 기존의 통계적 검정(예: 프로파일-우도비)을 얼마나 효과적으로 대체할 수 있는가?
• RQ3 배경과 신호가 완전히 알려진 조건에서 제안된 방법의 민감도가 프로파일-우도비 테스트와 비교해 어떻게 되는가?
• RQ4 기존의 탐색 방법에서 모델 편향으로 인해 놓치게 되는 유망한 BSM 신호 영역을 이 방법이 식별할 수 있는가?
• RQ5 이 데이터 중심 파라다임에서 민감도와 계산 효율성 사이의 상충 관계는 어떠한가?

주요 결과

• 배경과 신호가 완전히 알려진 조건에서 동일한 데이터에 대해 적용했을 때, 데이터 중심 파라다임은 프로파일-우도비 테스트의 95% 민감도를 확보한다.
• 명시적인 배경 모델링이나 시스템 불확실성 추정 없이도, 양자수축 질량 분포에서 통계적으로 유의미한 돌출부를 성공적으로 식별한다.
• 딥러닝 신경망은 데이터 분포를 표준모형에서의 이질성의 유의도를 반영하는 z-분포로 효과적으로 매핑한다.
• 기존의 신호 가설이 다루지 않는 영역까지 포함하여, 이전에 탐색되지 않은 데이터 영역을 발견할 수 있다.
• 이 방법은 BSM 탐색에서 기존의 배경 추정 및 불확실성 정량화에 소요되는 시간과 노력을 크게 줄인다.
• 이 방법은 이론 중심의 막힌 분석 접근법에서 놓치게 되는 영역에서도 새로운 물리 현상을 드러내는 데 강력한 잠재력을 보여준다.