[논문 리뷰] An implementation of neural simulation-based inference for parameter estimation in ATLAS

G. Aad, Erlend Aakvaag외 2876명|arXiv (Cornell University)|2024. 01. 01.

Particle Detector Development and Performance인용 수 2

한 줄 요약

이 논문은 ATLAS에서 고차원, unbinned 매개변수 추정을 위한 신경망 기반 시뮬레이션 추론(NSBI) 프레임워크를 제시한다. 신경망을 사용해 히스토그램 분할 없이도 우도 비율을 추정함으로써 정보 손실을 방지한다. 시뮬레이션된 비선형 힉스 보손 쿠퍼 측정에서 전통적인 히스토그램 기반 방법보다 향상된 민감도를 보이며, 제한된 몬테카를로 샘플과 시스템적 오차로부터 유래하는 불확실성을 진단 및 네이먼 구축을 통해 엄밀히 정량화한다.

ABSTRACT

Neural simulation-based inference is a powerful class of machine-learning-based methods for statistical inference that naturally handles high-dimensional parameter estimation without the need to bin data into low-dimensional summary histograms. Such methods are promising for a range of measurements, including at the Large Hadron Collider, where no single observable may be optimal to scan over the entire theoretical phase space under consideration, or where binning data into histograms could result in a loss of sensitivity. This work develops a neural simulation-based inference framework for statistical inference, using neural networks to estimate probability density ratios, which enables the application to a full-scale analysis. It incorporates a large number of systematic uncertainties, quantifies the uncertainty due to the finite number of events in training samples, develops a method to construct confidence intervals, and demonstrates a series of intermediate diagnostic checks that can be performed to validate the robustness of the method. As an example, the power and feasibility of the method are assessed on simulated data for a simplified version of an off-shell Higgs boson couplings measurement in the four-lepton final states. This approach represents an extension to the standard statistical methodology used by the experiments at the Large Hadron Collider, and can benefit many physics analyses.

연구 동기 및 목표

• 히스토그램 분할로 인한 정보 손실을 피하면서도 LHC 실험에서 고차원 매개변수 추정에 대해 강건하고 확장 가능한 NSBI 프레임워크를 개발한다.
• 기존 LHC 통계 분석 관행과 일관되게 많은 수의 시스템적 오차를 통합한다.
• 신경망 기반 우도 비율 추정에서 유한한 몬테카를로 샘플 크기로 인한 불확실성을 정량화하고 검증한다.
• NSBI 환경에서 네이먼 구축을 통해 신뢰구간을 신뢰성 있게 구성할 수 있도록 한다.
• 4-레프톤 최종 상태에서의 실제 비선형 힉스 보손 쿠퍼 측정을 통해 이 방법의 실현 가능성과 민감도 향상을 입증한다.

제안 방법

• 신호 및 배경 가설 간의 확률 밀도 비율을 추정하기 위해 신경망을 사용하여 분할 없이도 우도 비율 추정이 가능하다.
• 밀도 비율 추정의 정확도를 향상시키고 불확실성을 정량화하기 위해 앙상블 기반 학습을 적용한다.
• 프로파일링된 로그우도 접근법을 통해 체계적 오차를 나타내는 부수적 매개변수를 우도 비율 함수에 직접 통합한다.
• 재가중 및 校정 진단을 적용하여 추정된 우도 비율의 신뢰성과 타당성을 검증한다.
• 가짜 실험과 네이먼 구축을 통해 재가중에서 음수 가중치가 발생하더라도 유효한 신뢰구간을 생성한다.
• 물리적 기여의 분석적 인수 분해를 통합하여 효율적인 학습과 불확실성 전파를 가능하게 한다.

실험 결과

연구 질문

• RQ1 고차원, unbinned 데이터와 많은 수의 시스템적 오차를 가진 전체 LHC 분석에 대해 신경망 기반 시뮬레이션 추론이 효과적으로 확장 가능한가?
• RQ2 유한한 몬테카를로 샘플 크기로 인한 불확실성은 NSBI 모델 내에서 어떻게 정량화하고 전파될 수 있는가?
• RQ3 재가중에서 음수 가중치가 발생하더라도 네이먼 구축을 통해 NSBI 환경에서 신뢰할 수 있는 신뢰구간을 구성할 수 있는가?
• RQ4 비선형 매개변수 의존성에 대해 NSBI 성능은 기존의 히스토그램 기반 방법과 비교해 민감도 측면에서 어떻게 다른가?
• RQ5 고에너지 물리학 맥락에서 NSBI 모델의 강건성과 신뢰성을 검증하기 위해 필요한 진단 도구는 무엇이며, 그것이 충분한가?

주요 결과

• 비선형 매개변수 의존성이 뚜렷한 영역에서 NSBI 프레임워크는 히스토그램 기반 방법보다 뚜렷한 민감도 향상을 달성한다.
• 이 방법은 100개 이상의 시스템적 오차를 성공적으로 통합하여 실제 LHC 분석의 복잡성 수준까지의 확장 가능성을 입증한다.
• 재가중 폐쇄, 校정 폐쇄, 앙상블 분산 등의 진단 검사 결과, 추정된 우도 비율의 강건성과 신뢰성을 확인한다.
• 유한한 몬테카를로 샘플 크기로 인한 불확실성은 정량화되었으며, 테스트 시나리오에서 최종 구간 커버리지에 미치는 영향은 1% 이하로 잘 통제되어 있다.
• 가짜 실험과 네이먼 구축을 통해 정확한 커버리지 성질을 가진 신뢰구간을 생성하였으며, 이는 방법의 통계적 타당성을 검증한다.
• 이 프레임워크는 단일 관측량 기반의 히스토그램 기반 접근에서 유래하는 민감도 손실을 피하면서도 고차원, unbinned 데이터 공간에서의 전반적인 매개변수 추정을 가능하게 한다.