[論文レビュー] ν-Flows: Conditional Neutrino Regression

Matthew Leigh, J. A. Raine+2 more|arXiv (Cornell University)|Jul 1, 2022

Particle physics theoretical and experimental studies被引用数 13

ひとこと要約

この論文は、観測された運動量と深層可逆ニューラルネットワークを用いて、高エネルギー加速器実験における全ニュートリノ運動量を再構築する条件付き正規化流れ手法ν-Flowsを提案する。半レプトン的t\bar{t}事象において、従来の手法と比較して縦方向運動量再構築を改善し、ジェット-パートン割り当ての正確性を最大1.41倍に向上させる。

ABSTRACT

We present $ν$-Flows, a novel method for restricting the likelihood space of neutrino kinematics in high energy collider experiments using conditional normalizing flows and deep invertible neural networks. This method allows the recovery of the full neutrino momentum which is usually left as a free parameter and permits one to sample neutrino values under a learned conditional likelihood given event observations. We demonstrate the success of $ν$-Flows in a case study by applying it to simulated semileptonic $t\bar{t}$ events and show that it can lead to more accurate momentum reconstruction, particularly of the longitudinal coordinate. We also show that this has direct benefits in a downstream task of jet association, leading to an improvement of up to a factor of 1.41 compared to conventional methods.

研究の動機と目的

• ニュートリノの弱い相互作用と検出不能性のため、加速器実験におけるニュートリノ運動量再構築が不完全であるという課題に対処すること。
• 縦方向運動量の不確実性を解消できない標準的な運動量制約（例：m_W）の限界を克服すること。
• 可視事象観測量から条件付き尤度を学習する確率的でエンドツーエンドの機械学習フレームワークを構築すること。
• 高精度なトップクォーク測定に不可欠な、ジェット-パートン割り当てなどの下流タスクにおける性能向上を実証すること。
• 全ニュートリノ運動量推定を活用して、トップクォークおよびt\bar{t}系の運動量をより正確に再構築すること。

提案手法

• 観測された事象運動量x_obsを条件とする条件付き確率分布p(p_ν | x_obs)をモデル化するために、条件付き正規化流れ（cNFs）を用いる。
• シンプルな事前分布（例：正規分布）から複雑なニュートリノ運動量の後験分布への双方向変換を学習するため、条件付き可逆ニューラルネットワーク（cINN）アーキテクチャを採用する。
• 真のニュートリノ運動量をラベルとして用い、可視粒子から全ニュートリノ運動量へのマッピングをエンドツーエンドで学習可能にする。
• 妥当なニュートリノ運動量推定を生成するために、サンプリング（ν-Flows(sample)）とモード予測（ν-Flows(mode)）の両方の推論戦略を適用する。
• Wおよびトップクォークの質量制約を用いて、推定されたニュートリノ運動量をχ²尤度フィットに統合し、ジェット-パートン割り当てを実行する。
• 比較のためのベースラインとして、事象特徴量から直接ニュートリノ運動量を予測するフィードフォワードネットワークを訓練する。

実験結果

リサーチクエスチョン

• RQ1 条件付き正規化流れは、半レプトン的t\bar{t}事象において、縦成分を含む全ニュートリノ運動量を効果的に再構築できるか？
• RQ2 m_W制約を用いた標準的な運動量再構築法やフィードフォワードニューラルネットワークと比較して、ν-Flowsの運動量再構築精度はどの程度向上するか？
• RQ3 向上したニュートリノ運動量推定は、t\bar{t}事象における下流のジェット-パートン割り当て性能にどの程度寄与するか？
• RQ4 イベント内の再構築ジェット数の増加に伴い、ν-Flowsの性能向上はスケーリングするか？
• RQ5 ν-Flowsの確率的出力は、再構築されたニュートリノ運動量の信頼性を評価するために活用可能か？

主な発見

• m_W制約を用いた標準的手法と比較して、9ジェット事象においてν-Flowsはb_lepジェットマッチング効率を1.41倍に向上させる。
• ν-Flows(mode)アプローチは、4ジェット事象では1.03倍、9ジェット事象では1.41倍のb_lepマッチング正確性向上を、ベースライン手法に対して達成する。
• ν-Flows(sample)は9ジェット事象でb_lepマッチング効率0.357を達成し、標準手法（0.286）およびフィードフォワードベースライン（0.302）を上回る。
• 特に運動量制約が効果を発揮しにくい高ジェット多重度事象において、縦方向運動量再構築が顕著に優れている。
• 組み合わせ的複雑性が増す高ジェット多重度事象において、性能向上が顕著であり、正確なニュートリノ運動量推定が不可欠である。
• ジェット-パートン割り当てとニュートリノ推定の間には循環的依存関係が観察された：より良いニュートリノ推定は割り当てを改善し、逆も同様である。これは、共同学習の可能性を示唆している。