[논문 리뷰] Exploring supersymmetry with machine learning

Jie Ren, Lei Wu외 2명|arXiv (Cornell University)|2017. 08. 22.

Computational Physics and Python Applications참고 문헌 1인용 수 8

한 줄 요약

이 논문은 복잡한 다중 매개변수 초대칭 모델인 MSSM 및 CMSSM를 효율적으로 탐색하기 위해 활성 및 점진적 학습을 활용하는 자기 탐색형 방법인 머신러닝 스캔(Machine Learning Scan, MLS)을 소개한다. MLS는 기존의 MultiNest와 같은 방법과 비교해 계산 비용을 최대 80% 감소시키며, 오직 20,000개의 샘플로도 목표 영역 탐지 효율성을 80%까지 달성함으로써, 겹침 또는 분리된 매개변수 영역의 우수한 커버리지가 보장된다.

ABSTRACT

Investigation of well-motivated parameter space in the theories of Beyond the Standard Model (BSM) plays an important role in new physics discoveries. However, a large-scale exploration of models with multi-parameter or equivalent solutions with a finite separation, such as supersymmetric models, is typically a time-consuming and challenging task. In this paper, we propose a self-exploration method, named Machine Learning Scan (MLS), to achieve an efficient test of models. As a proof-of-concept, we apply MLS to investigate the subspace of MSSM and CMSSM and find that such a method can reduce the computational cost and may be helpful for accelerating the exploration of supersymmetry.

연구 동기 및 목표

• 초대칭 모델에서 겹침 또는 분리된 타당 영역이 존재하는 다중 매개변수 초표준모형(BSM) 물리학에서 계산 비용이 매우 높은 스캔 문제를 해결하기 위해.
• MCMC 및 MultiNest와 같은 전통적 방법은 고차원, 다모달 매개변수 공간에서 높은 계산 비용과 열악한 커버리지 문제를 겪기 때문에 이를 극복하기 위해.
• 온라인 점진적 학습을 통해 반복적으로 모델 정확도와 샘플링 효율을 향상시키는 자기 탐색 프레임워크를 개발하기 위해.
• 실제 실험 제약 조건(허그스 및 암흑물질 데이터 포함) 하에서 MSSM 및 CMSSM의 타당 영역을 더 빠르고 신뢰성 있게 발견할 수 있도록 하기 위해.
• 심층 신경망을 통해 물리적 관측량을 직접 학습하는 것이 우도 근사 모델보다 속도, 정확도 및 탐색 효율 측면에서 뛰어나다는 것을 입증하기 위해.

제안 방법

• MLS는 직접 우도 근사 없이 모델 매개변수에서 핵심 물리적 관측량(예: 허그스 질량, 카린요 질량, 잔류 밀도, 허그스 신호 강도 등)을 심층 신경망(DNN) 회귀기로 직접 학습한다.
• 비물리적 매개변수 포인트를 식별하고 제거하기 위해 별도의 DNN 분류기가 이진 교차 엔트로피 손실을 사용해 훈련되며, 이는 샘플링 효율을 향상시킨다.
• 활성 학습을 통해 높은 우도 영역으로 샘플링을 유도하며, 새로 수집된 데이터로 모델을 반복적으로 개선하고 DNN를 점진적으로 재학습한다.
• 우도 함수는 예측된 관측량을 통해 간접적으로 재구성되며, 공식 $\hat{\mathcal{L}}(\bm{x}) = \prod_i \mathcal{L}_i(\hat{O}_i(\bm{x}); O^*_i, \sigma^*_i)$ 를 사용한다. 여기서 $\hat{O}_i$ 는 DNN 예측값이다.
• 샘플링은 1,000개의 랜덤 초깃점으로 시작되며, 이후 각 반복에서 우도가 높은 100개의 후보를 추천하고, 추가로 5개의 랜덤 포인트를 보강한다.
• Adam 최적화기로 DNN를 최대 2,000 에포크 동안 훈련하여 빠른 추론을 가능하게 하였으며, 표준 HEP 패키지 대비 1초당 100만 개의 매개변수 포인트를 평가할 수 있었다(표준 패키지는 1포인트당 2초 소요).

실험 결과

연구 질문

• RQ1 머신러닝 기반 자기 탐색 방법이 고차원, 다모달 초대칭 매개변수 공간의 스캔에 있어 계산 비용을 크게 감소시킬 수 있는가?
• RQ2 MultiNest와 같은 전통적 방법과 비교해 MLS는 MSSM에서 겹침 또는 분리된 타당 영역의 샘플링 효율성과 커버리지 측면에서 어떻게 성능을 내는가?
• RQ3 허그스 질량, 잔류 밀도 등 물리적 관측량을 기반으로 훈련한 심층 학습 모델이 우도 기반 서rogate 모델보다 정확도와 속도 측면에서 뛰어나게 성능을 내는가?
• RQ4 점진적 및 활성 학습이 CMSSM 및 MSSM과 같은 모델에서 희귀하거나 고립된 매개변수 영역의 탐색에 얼마나 기여하는가?
• RQ5 실제 실험 제약 조건 하에서, MSSM에서 더 무거운 CP-짝성 허그스가 125 GeV 허그스 보손처럼 행동하는 '정렬 한계(alignments limit)' 영역을 신뢰성 있게 식별할 수 있는가?

주요 결과

• MLS는 오직 20,000개의 샘플을 수집한 후에도 타당한 매개변수 포인트를 탐지하는 데 80%의 샘플링 효율을 달성하여 MultiNest를 크게 능가했다.
• MultiNest는 유사한 커버리지를 확보하기 위해 235,000개의 테스트 포인트가 필요했으며, 이는 MLS 대비 4.7배 높은 계산 비용을 의미한다.
• MSSM의 낮은 $M_1$ 영역에서 MLS는 MultiNest가 복잡하고 다중 모달 영역에서 샘플링 효율이 열악하여 탐색에 실패한 영역에서도 뛰어난 커버리지를 보였다.
• 물리적 관측량 예측을 위한 심층 신경망의 사용으로 1초당 100만 개의 매개변수 포인트 평가가 가능해졌으며, 이는 표준 HEP 패키지 평가(1포인트당 2초) 대비 50만 배 빠른 속도 향상이다.
• 이 방법은 빈티브-유사 암흑물질 후보가 30 GeV 이하에서 관측된 잔류 밀도를 완전히 충족시킬 수 있는 영역을 성공적으로 식별했으며, 이는 경량의 CP-홀드 허그스 보손 $h$ 가 기여한 덕분이었다.
• 비물리적 포인트를 걸러내는 DNN 분류기의 도입으로 전체 샘플링 품질이 향상되었고, 우도 재구성 과정에서의 노이즈가 감소했다.