[论文解读] MadNIS at NLO

Giovanni De Crescenzo, Javier Mariño Villadamigo+5 more|arXiv (Cornell University)|Mar 23, 2026

Particle physics theoretical and experimental studies被引用 0

一句话总结

论文通过将学习到的振幅代理与在 FKS 消去方案下的神经重要性采样结合，将 MadNIS 扩展到 NLO，实现对 e+e- 到多喷final态的虚拟和真实发射贡献的快速且经过校准的预测。

ABSTRACT

We combine fast amplitude surrogates with neural importance sampling to accelerate NLO calculations. For virtual corrections, a learned ratio to the Born matrix element with calibrated uncertainties guarantees reliable precision across phase space. For real emission, we stick to the standard FKS subtraction and train sector-conditioned surrogates of the regularized integrands away from divergences. MadNIS then uses multi-channel mappings and FKS sectors as conditions. We validate our approach for electron-positron scattering to three and four jets and find significant speed-ups and variance reduction in the integration.

研究动机与目标

• 为 HL-LHC 时代的精确现象学提供快速、可扩展的 NLO 预测的动机。
• 开发一个统一的基于 ML 的框架，用以增强 FKS 去除方案中的虚拟与真实发射分量。
• 确保随 ML 代理附带经过校准的不确定性，以在相空间内保持可靠的精度。
• 以电子-正电子碰撞中的多喷 final 状态产作为测试用例，展示准确性和加速。

提出的方法

• 对 Born、虚拟和积分减去项使用带有校准不确定性的学习振幅代理。
• 在 Born-like 振幅和有限的 FKS-分区真实发射振幅上训练代理，结合相空间条件化和分区标签。
• 采用多通道 MadNIS 采样框架，纳入 FKS 分区结构以覆盖 Born-like 相空间与真实发射相空间。
• 采用对数预处理和对数不变量输入，以稳定学习跨越宽动态范围的振幅。
• 通过异方差损失进行不确定性校准，并与已知的 NLO 预测进行验证。
• 将代理与相空间映射（Born-like 多通道映射和 FKS 分区映射）整合，以实现快速的逐通道蒙特卡罗积分。

Figure 1: Left to right: representative Feynman diagrams for the Born, virtual, and real-emission contribution for the NLO predictions of the $\mathrm{e}^{+}\mathrm{e}^{-}\to\mathrm{u}\mathrm{\bar{u}}\mathrm{g}\mathrm{g}$ process.

实验结果

研究问题

• RQ1 学习到的振幅代理是否能在 Born-like 相空间内以校准的不确定性再现 Born、虚拟和积分减去项？
• RQ2 在 FKS 框架内，受条件约束的真实发射分支代理表现如何？
• RQ3 通过纳入 FKS 分区和多通道相空间映射，MadNIS 能否扩展至 NLO 以实现高效积分？
• RQ4 在对多喷 final 状态的 NLO 计算中，将 ML 代理应用于速度提升所能达到的方差减小和加速效果是多少？

主要发现

• 学习到的比值如 V/B 和 (VI)/B 能为 Born-like 振幅提供带校准不确定性的准确代理。
• 真实发射代理存在但覆盖范围更广且更具挑战性，尽管如此，校准不确定性仍然可靠。
• 将 ML 代理与 MadNIS 采样相结合，在测试的 e+e- → 3-喷和 4-喷过程的积分中实现了显著的加速和方差降低。
• 该方法保留了减去结构，得到与 NLO 预期一致的有限且稳定结果。
• 尽管使用代理，校准的不确定性仍能在相空间范围内提供可靠的误差估计。

Figure 2: Learned Born, combination of Born and virtual contributions without the integrated subtraction term, and full Born-like amplitudes. We show result for 3-jet (left) and 4-jet (right) production. The solid lines indicate surrogates, the dashed lines the truth.