[논문 리뷰] Fast and Flexible Analysis of Direct Dark Matter Search Data with Machine Learning

LUX Collaboration, D. S. Akerib외 98명|White Rose Research Online (University of Leeds, The University of Sheffield, University of York)|2022. 01. 15.

Dark Matter and Cosmic Phenomena참고 문헌 47인용 수 5

한 줄 요약

이 논문은 기존의 시간이 많이 소요되는 분석 파이프라인을 대체하여 빠르고 미분 가능한 신경망 모델을 사용함으로써 직접 암흑물질 탐색 분석을 가속화하고 향상시키는 기계학습 프레임워크를 제시한다. 이 방법은 액체 크세논 검출기에서 펄스 형상 구분을 고정밀도로 시뮬레이션하여, 최소한의 훈련 데이터로도 빠르고도 민감하며 정확한 이벤트 분류를 가능하게 하며, 다양한 에너지 영역과 검출기 조건에서 실제 校정 데이터와의 검증을 통해 검증되었다.

ABSTRACT

We present the results from combining machine learning with the profile likelihood fit procedure, using data from the Large Underground Xenon (LUX) dark matter experiment. This approach demonstrates reduction in computation time by a factor of 30 when compared with the previous approach, without loss of performance on real data. We establish its flexibility to capture non-linear correlations between variables (such as smearing in light and charge signals due to position variation) by achieving equal performance using pulse areas with and without position-corrections applied. Its efficiency and scalability furthermore enables searching for dark matter using additional variables without significant computational burden. We demonstrate this by including a light signal pulse shape variable alongside more traditional inputs such as light and charge signal strengths. This technique can be exploited by future dark matter experiments to make use of additional information, reduce computational resources needed for signal searches and simulations, and make inclusion of physical nuisance parameters in fits tractable.

연구 동기 및 목표

• 기존의 느리고 유연하지 못한 직접 암흑물질 탐색 분석 파이프라인의 계산적으로 효율적이고도 민감한 대안을 개발하기 위해.
• 액체 크세논 검출기에서 기계학습을 활용하여 핵반발(ND) 및 전자반발(ER) 이벤트의 빠르고 정확한 분류를 가능하게 하기 위해.
• 전기장, 이동 시간, 및 낮은 S1 펄스 면적에서의 다양한 조건에서 실제 校정 데이터와의 검증을 통해 기계학습 모델을 검증하기 위해.
• 낮은 광자 수에서의 펄스 형상 왜곡 및 타이밍 지연과 같은 복잡한 검출기 고유의 영향을 모델이 정확히 반영할 수 있도록 하기 위해.
• 입력 공간의 전체 상관관계를 유지하는 시뮬레이션 프레임워크를 제공하여, 단순화된 가정에서 비롯된 편향 없이 신뢰할 수 있는 훈련과 추론를 가능하게 하기 위해.

제안 방법

• 시뮬레이션 및 校정된 검출기 데이터로부터 펄스 형상 구분(PSD) 특징을 예측하기 위해 미분 가능한 신경망(NN)을 훈련한다.
• 실제 校정 데이터—특히 DD 중성자, CH₃T, 및 ¹⁴CH₄ 원천에서의 데이터를 사용하여 전기장, 이동 시간, S1 면적에 따른 관측된 의존성을 반영하도록 모델을 조정한다.
• 유한한 웨이브폼 샘플링(10 ns)에 대한 경험적 보정을 위해, 즉시 통합 창에 무작위 오프셋을 추가한다.
• 저에너지 校정 데이터에 대한 피팅을 바탕으로 낮은 S1 이벤트(≤10 phd)에 대해 감쇠 지수 조정을 적용하여 즉시 분율을 1로 할당한다.
• S1 면적이 5 phd 이하인 경우, 데이터 및 시뮬레이션 양쪽에 대해 ER과 NR 값 사이의 중앙에 위치한 평균을 가지며, 표준편차가 둘 다와 일치하는 절단된 정규분포에서 분율을 추출한다.
• 다양한 검출기 조건과 에너지 영역에서 측정된 校정 데이터와 시뮬레이션된 PSD 분포를 비교함으로써 모델 성능을 검증한다.

실험 결과

연구 질문

• RQ1 기계학습 모델이 단순화된 또는 분석적 근사치에 의존하지 않고도 액체 크세논 검출기에서 펄스 형상 구분을 정확히 시뮬레이션할 수 있는가?
• RQ2 미분 가능한 신경망이 타이밍 지연 및 전기장에 의존하는 펄스 형상 변화와 같은 복잡한 검출기 효과를 얼마나 잘 재현할 수 있는가?
• RQ3 낮은 S1 펄스 면적에서, 펄스 형상 정의가 어려운 조건에서도 모델이 얼마나 높은 정밀도를 유지하는가?
• RQ4 입력 특징의 전체 상관관계를 유지하면서도 제한된 校정 데이터로 효과적으로 훈련될 수 있는가?
• RQ5 다양한 검출기 구성과 에너지 영역에서 모델의 출력이 실제 데이터와 일관성이 있는가?

주요 결과

• 기계학습 모델은 전기장과 이동 시간에 따른 펄스 형상 구분의 의존성을 성공적으로 재현하였으며, 2014–2016년 데이터 수집 기간의 校정 데이터와 일치한다.
• 절단된 정규분포를 사용하여 낮은 S1 이벤트(≤5 phd)의 즉시 분율 분포를 정확히 반영하였으며, ER과 NR 원천의 중간값을 평균으로 하며, 둘 다와 유사한 표준편차를 갖는다.
• 유한한 샘플링(10 ns)에 대한 경험적 보정이 낮은 광자 수 이벤트에서 시뮬레이션과 데이터 간의 일치도를 크게 향상시켰다.
• 신경망 출력은 모든 校정 원천—DD 중성자(NR), CH₃T(저에너지 ER), ¹⁴CH₄(고에너지 ER)—에서 데이터와 양호한 일치를 보이며, 모델의 예측 능력을 검증한다.
• 입력 공간 상관관계를 유지함으로써 신경망이 낮은 S1 면적에서 신뢰할 수 없는 특징을 학습하지 않도록 보장한다.
• 검증 과정을 통해 시뮬레이션 프레임워크가 강건하며, 빠르고도 민감하고 정확한 암흑물질 탐색 분석에 적합하다는 것이 확인되었다.