[논문 리뷰] Treating Detector Systematics via a Likelihood Free Inference Method

Leander Fischer, Richard Naab외 1명|arXiv (Cornell University)|2023. 01. 01.

Particle physics theoretical and experimental studies인용 수 1

한 줄 요약

이 논문은 입자물리 실험에서 검출기 시스템적 불확실성을 고려하기 위해 몬테카를로 시뮬레이션을 모델에 종속되지 않고 이벤트 수준에서 재가중하는 가능도 없는 추론 방법을 제시한다. 이 방법은 이산적인 검출기 실현값에 대해 k-가 бли운 이웃 분류를 사용함으로써, 물리 모델의 가중치와 검출기 응답 변동성을 분리시켜, 특정 물리 모델을 가정하거나 구간화를 하지 않고도 시스템적 영향을 정확하게 모델링할 수 있다. 이는 고해상도 재가중이 매개변수 공간 전반에서 이루어지는 뉴트리노 진동 토이 모델을 통해 입증되었다.

ABSTRACT

Estimating the impact of systematic uncertainties in particle physics experiments is challenging, especially since the detector response is unknown analytically in most situations and needs to be estimated through Monte Carlo (MC) simulations. Typically, detector property varia-tions are parameterized in ways that implicitly assume a specific physics model, which can introduce biases on quantities measured by an analysis. In this paper, we present a method to recover a model-independent, event-wise estimation of the detector response variation by applying a likelihood-free inference method to a set of MC simulations representing discrete detector realizations. The method provides a re-weighting scheme for every event, which can be used to apply the effects of detector property variations fully decoupled from the assumed physics model. Using a toy MC example inspired by fixed-baseline neutrino oscillation experiments, we demonstrate the performance of our method. We show that it fully decouples the modeling of the detector response from the physics parameters to be measured in a MC forward-folding analysis.

연구 동기 및 목표

• 검출기 응답이 해석적으로 알려져 있지 않은 몬테카를로 정방향 접합 분석에서 검출기 시스템적 불확실성을 모델링하는 데 도전하는 것.
• 측정 중인 물리적 매개변수와의 결합을 피하기 위해 검출기 응답 변동성의 모델링을 물리 모델 가중치에서 분리하는 것.
• 기존의 몬테카를로 시뮬레이션을 효율적으로 재사용하여 다양한 매개변수 실현값에서 검출기 변동성을 다룰 수 있는 민첩하고 구간화에 의존하지 않는 방법을 개발하는 것.
• 이벤트 수준의 재가중 기법을 제공함으로써 효율적인 분석 최적화와 비구간화 가능도 설정을 가능하게 하는 것.

제안 방법

• 이 방법은 다양한 검출기 특성을 가진 몬테카를로 시뮬레이션 세트에서 특정 검출기 실현값에 각 이벤트가 속할 가능도를 추정하기 위해 k-가장 가까운 이웃(KNN) 분류를 사용하는 가능도 없는 추론 프레임워크를 적용한다.
• 각 이벤트에 대해 KNN 분류기는 진짜 및 재구성된 변수로 구성된 특징 벡터가 비표준 몬테카를로 세트의 이벤트들과의 유사도를 계산하여, 검출기 실현값에 대한 후행 분포를 산출한다.
• 예측된 확률과 관측된 확률 간의 음의 로그우도를 최소화함으로써 다항식 계수를 후행 분포에 피팅하여 매개변수 공간 전반에서 검출기 응답 효과를 부드럽게 보간한다.
• 결과적으로 얻어진 재가중 기법은 명시된 몬테카를로 세트에 적용되어, 시뮬레이션을 다시 실행하지 않고도 어떤 비표준 검출기 실현값을 모방할 수 있다.
• 이 방법은 물리 모델 가중치와 완전히 분리되어 있으며, 재가중은 측정 중인 물리 매개변수에 관계없이 오직 검출기 응답 특징에 의존한다.
• 이 방법은 단일 불확실한 검출기 매개변수(예: 에너지 스케일)를 가진 뉴트리노 진동 토이 모델에서 검증되었으며, 매개변수 변화 전역에서 정확한 재가중이 이루어지는 것으로 나타났다.

실험 결과

연구 질문

• RQ1 정방향 접합 분석에서 가정된 물리 모델에 종속되지 않는 방식으로 검출기 응답 변동성을 모델링할 수 있는가?
• RQ2 비모수적이고 가능도 없는 추론 방법이 선형성이나 해석적 형태를 가정하지 않고도 이산적인 몬테카를로 실현값 간에 검출기 응답 효과를 효과적으로 보간할 수 있는가?
• RQ3 KNN 분류를 통한 이벤트 수준 재가중이 다양한 검출기 매개변수를 가진 전체 몬테카를로 시뮬레이션의 통계적 성질을 어느 정도 재현할 수 있는가?
• RQ4 시스템적 불확실성 추정 시 물리 모델이 알려져 있거나 명시적으로 모델링되지 않은 경우, 이 방법의 재가중 정확도는 어떻게 되는가?

주요 결과

• 이 방법은 검출기 응답 모델링을 물리 모델 가중치에서 성공적으로 분리하여, 모델에 종속된 파rameterization으로 인한 편향을 제거한다.
• 토이 뉴트리노 진동 모델에서 재가중된 명시된 몬테카를로 분포는 전체 검출기 매개변수 α 범위에서 진짜 비표준 분포와 통계적 변동성 수준 이내로 일치하였다.
• KNN 기반 재가중 기법은 검출기 매개변수에 대해 임의의 다항식 차수까지, 상관항을 포함하여 높은 정밀도로 검출기 효과를 보간하였다.
• 이 방법은 구간화에 의존하지 않는 분석을 가능하게 하여, 재구간화 및 관측량 분포 최적화를 재계산 없이 효율적으로 수행할 수 있다.
• 이 방법은 계산적으로 효율적이며, 대규모 몬테카를로 생산의 필요성을 줄여 계산 자원 절약과 CO2 배출 감소에 기여한다.
• 신경망과 같은 더 복잡한 분류기들도 시험되었지만, 초모수 조정 후에도 KNN가 성능을 뛰어넘지 못했으며, 이는 이 문제에 대해 KNN의 단순성과 강건성이 뛰어나다는 것을 시사한다.