[論文レビュー] Benchmarks for a Global Extraction of Information from Deeply Virtual Exclusive Scattering

Manal Almaeen, Jake Grigsby+5 more|arXiv (Cornell University)|Jul 21, 2022

Particle physics theoretical and experimental studies被引用数 4

ひとこと要約

この論文は、物理学的制約と不確実性の定量化を統合した機械学習フレームワークであるFemtoNetを紹介し、深くバーチカルなコムプトン散乱（DVCS）データからCompton形式因子（CFFs）をベンチマークおよび抽出する。ランダムターゲット法を提案し、あり得る不確実性（aleatoric）と認識の不確実性（epistemic）を分離することで、説明可能で制御可能なMLベースのCFF抽出が可能となり、一般化性能と誤差制御が向上する。

ABSTRACT

We develop a framework to establish benchmarks for machine learning and deep neural networks analyses of exclusive scattering cross sections (FemtoNet). Within this framework we present an extraction of Compton form factors for deeply virtual Compton scattering from an unpolarized proton target. Critical to this effort is a study of the effects of physics constraint built into machine learning (ML) algorithms. We use the Bethe-Heitler process, which is the QED radiative background to deeply virtual Compton scattering, to test our ML models and, in particular, their ability to generalize information extracted from data. We then use these techniques on the full cross section and compare the results to analytic model calculations. We propose a quantification technique, the random targets method, to begin understanding the separation of aleatoric and epistemic uncertainties as they are manifest in exclusive scattering analyses. We propose a set of both physics driven and machine learning based benchmarks providing a stepping stone towards applying explainable machine learning techniques with controllable uncertainties in a wide range of deeply virtual exclusive processes.

研究の動機と目的

• 深くバーチカルなエクスクルーシブ散乱（DVES）実験における機械学習応用のための体系的ベンチマークフレームワークを確立すること。
• 物理的インフォームド機械学習を用いて、偏極しない陽子散乱データからCompton形式因子（CFFs）を高精度で抽出すること。
• 限られた偏極観測量から複数のCFFsを抽出する逆問題に対し、不確実性とモデルの信頼性を定量化すること。
• 新規のランダムターゲット法を用いて、機械学習モデルにおける認識の不確実性とあり得る不確実性を分離し、不確実性定量化（UQ）を向上させること。
• 高次元DVES解析における物理的制約とデータ駆動型学習を統合することで、hadronic物理学における説明可能なAIの基盤を築くこと。

提案手法

• QEDおよびQCD制約（例：Bethe-Heitler過程）を埋め込んだFemtoNetを開発し、CFF抽出における一般化性能を向上させる。
• 可変オートエンコーダー逆写像（VAIM）を適用し、断面積からCFFsを再構成することで、潜在空間における事後分布推定を可能にする。
• ランダムターゲット法を導入し、ラベルをランダム化して訓練することで、認識の不確実性を分離・定量化する。
• データ拡張を用いて実験誤差をVAIMフレームワークに伝播させ、データからCFFパラメータへの不確実性伝播を可能にする。
• MLベースのCFF抽出結果を解析的モデル計算と比較し、性能と一貫性を検証する。
• 統計フレームワークを用いて、系統的誤差、認識の不確実性、あり得る不確実性を別々に取り扱い、高次元DVES問題における制御可能な不確実性定量化を実現する。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、エクスクルーシブ散乱データ解析における一般化性能を向上させるために、どのように物理学的制約によって制約できるか？
• RQ2 ランダムターゲット法は、DVCSデータからのCFF抽出において、認識の不確実性とあり得る不確実性をどの程度分離できるか？
• RQ3 VAIMベースの逆写像は、1つの観測量から不確実性を制御した複数のCFF解を再構成できるか？
• RQ4 物理的インフォームドニューラルネットワークは、シミュレートされたDVCS断面積からのCFF抽出において、標準的なMLモデルと比べてどのように異なるか？
• RQ5 データ拡張と誤差伝播は、MLベースのCFF抽出における不確実性定量化にどのような影響を与えるか？

主な発見

• ランダムターゲット法により、認識の不確実性が成功裏に分離され、CFFパrameterizationにおけるモデル固有の誤差が定量化可能となった。
• 物理的制約付き機械学習モデルは、Bethe-Heitler背景プロセスにおいて一般化性能が向上し、そのロバストネスが妥当であることが確認された。
• VAIMベースの逆写像は、複数の妥当なCFF解を回復でき、高次元パrameter空間における逆問題の取り扱い能力を示した。
• フレームワークにより、実験データからCFFへの不確実性伝播が可能となり、解析的モデル計算と一貫した結果が得られた。
• 物理的制約と不確実性定量化の統合により、エクスクルーシブ散乱解析におけるモデルの解釈可能性と信頼性が顕著に向上した。
• FemtoNetは、将来的なGPDおよびDVES実験からのCFF抽出における再現可能なベンチマークパイプラインを確立した。