[논문 리뷰] Back to the Formula -- LHC Edition

Anja Butter, Tilman Plehn외 2명|arXiv (Cornell University)|2021. 09. 21.

Particle physics theoretical and experimental studies인용 수 9

한 줄 요약

이 논문은 시뮬레이션된 행렬원소 데이터로부터 최적의 LHC 관측량을 위한 인간이 이해할 수 있는 해석적 공식을 추출하기 위해 PySR를 사용한 기호적 회귀를 소개한다. 이는 신경망 수준의 성능을 달성하며, WBF 힉스 생성에서 알려진 CP 위반 관측량을 성공적으로 복원하고, 검출기 효과가 있는 상황에서도 신경망 성능을 재현하는 단순한 공식들, 예를 들어 $p_{T,1}p_{T,2}\sin(\Delta\phi)$를 제시한다.

ABSTRACT

While neural networks offer an attractive way to numerically encode functions, actual formulas remain the language of theoretical particle physics. We show how symbolic regression trained on matrix-element information provides, for instance, optimal LHC observables in an easily interpretable form. We introduce the method using the effect of a dimension-6 coefficient on associated ZH production. We then validate it for the known case of CP-violation in weak-boson-fusion Higgs production, including detector effects.

연구 동기 및 목표

• LHC 시뮬레이션 데이터에서 해석 가능한 해석적 공식을 추출하여 블랙박스 기계학습과 해석 가능한 이론 물리학 사이의 격차를 메우기 위해.
• LHC 분석에서 사용되는 신경망 기반 최적 관측량의 해석 불가능성 문제를 해결하기 위해.
• 기호적 회귀가 힉스 및 움직이는 보존-융합 과정에서 최적 관측량을 구성하는 데 있어 신경망의 타당한 대안이 될 수 있음을 검증하기 위해.
• 기호적 회귀가 WBF 힉스 생성에서 알려진 CP 위반 윌슨 계수에 대한 이론적 표현을 복원할 수 있음을 보여주기 위해.
• 실제 검출기 효과와 다양한 윌슨 계수 값 하에서 유도된 공식의 성능을 수치적으로 훈련된 신경망(Sally)과 비교하기 위해.

제안 방법

• 특정 과정(예: ZH 및 WBF 힉스 생성)에 대해 시뮬레이션된 LHC 이벤트로부터 행렬원소 정보를 추출하기 위해 MadMiner를 활용한다.
• 고차원 위상공간 데이터로부터 최적 관측량(점수)에 대한 닫힌 형태의 해석적 표현을 학습하기 위해 PySR를 통해 기호적 회귀를 적용한다.
• 특히 큰 윌슨 계수에서 발생하는 LHC 관측량의 기능적 복잡성에 더 잘 대응하기 위해 표준 PySR 알고리즘을 수정한다.
• 완전 차원 분포 단면적에서 유도된 우도 비율을 점수 함수로 사용하여 기호 모델을 훈련한다.
• 기호 공식이 수치적으로 훈련된 신경망(Sally)과 비교하여 MSE 및 점수 가중 MSE 지표를 사용해 결과를 검증한다.
• 단순히 파arton 수준의 행렬원소가 아닌 실제 이벤트 수준의 시뮬레이션을 통해 검출기 효과와 제트 복사 효과를 포함시킨다.

Figure 1 : Kinematic distributions for $ZH$ production at parton level with different Wilson coefficients $f_{B}$ . We define $\eta_{\pm}=\eta_{Z}\pm\eta_{H}$ .

실험 결과

연구 질문

• RQ1 기호적 회귀는 WBF 힉스 생성에서 알려진 해석적 형태, 예를 들어 $p_{T,1}p_{T,2}\sin(\Delta\phi)$와 같은 CP 위반 윌슨 계수를 복원할 수 있는가?
• RQ2 MSE 및 통계적 유의성 측면에서 기호적 회귀로 유도된 공식의 성능은 수치적으로 훈련된 신경망(Sally)과 비교해 어떻게 되는가?
• RQ3 윌슨 계수가 크고 비구속 효과가 나타나는 상황에서도 기호적 회귀가 이해 가능하고 간결한 공식을 도출할 수 있는가?
• RQ4 검출기 효과와 제트 복사 효과가 성능 저하 없이 기호적 회귀에 얼마나 잘 통합될 수 있는가?
• RQ5 기호 공식 접근 방식은 전체 신경망 프레임워크와 비교해 배제 한계 민감도를 유지하는가?

주요 결과

• 기호적 회귀 접근법은 WBF 힉스 생성에서 CP 위반 윌슨 계수 $f_{W\widetilde{W}}$에 대해 알려진 해석적 형태인 $p_{T,1}p_{T,2}\sin(\Delta\phi)$를 성공적으로 복원하여 이론적 기대와 일치한다.
• 작은 윌슨 계수에서는 PySR로 유도된 공식이 수치적으로 훈련된 Sally 신경망과 거의 동일한 성능을 보이며, 대부분의 경우 MSE 차이가 1% 미만이다.
• 큰 윌슨 계수($f_B = 10/\text{TeV}^2$) 조건에서도 기호적 회귀는 진정한 점수를 잘 유지하는 유리한 함수를 생성하지만, 복잡도가 증가한다.
• 검출기 효과의 포함이 성능에 크게 영향을 주지 않으며, 기호 공식은 실제 시뮬레이션 조건에서도 강인하다.
• 점수 가중 MSE 분석 결과, 최상의 기호 공식에서는 성능과 이벤트 점수 간 상관관계가 평탄하게 유지되어 위상공간 전반에서 일관된 성능을 보인다.
• 이 연구는 단순하고 해석 가능한 공식이 복잡한 신경망을 대체하여 LHC 분석에서 감도 손실 없이 사용될 수 있음을 보여주며, 투명하고 이론에 기반한 추론을 가능하게 한다.

Figure 2 : Kinematic $\eta_{-}$ vs $\eta_{+}$ correlations for $ZH$ production with $f_{B}=0,10$ . We show $p_{T}$ -slices in the boosted regime.