[論文レビュー] On the potential of multivariate techniques for the determination of multidimensional efficiencies

B. Viaud|arXiv (Cornell University)|Feb 11, 2016

Particle physics theoretical and experimental studies参考文献 27被引用数 5

ひとこと要約

本論文は、多変量手法、特に多層パーセプトロンニューラルネットワークを用いて、高エネルギー物理学の崩壊において再構築および選別基準が位相空間分布を歪める状況での多次元効率を特定することを検討する。2つの事例研究—$B^0 \to K^{*0} \mu^+ \mu^-$ および $D^0 \to K^- \pi^+ \pi^+ \pi^-$—を用い、最小限の最適化とデフォルト設定でも、これらの手法が歪みを効果的に補正できることを示している。これは、パーセントレベルの不確実性以上での精度測定に大きな可能性を示している。

ABSTRACT

Differential measurements of particle collisions or decays can provide stringent constraints on physics beyond the Standard Model of particle physics. In particular, the distributions of the kinematical and angular variables that characterise heavy me- son multibody decays are non trivial and can sign the underlying interaction physics. In the era of high luminosity opened by the advent of the Large Hadron Collider and of Flavor Factories, differential measurements are less and less dominated by statistical precision and require a precise determination of efficiencies that depend simultaneously on several variables and do not factorise in these variables. This docu- ment is a reflection on the potential of multivariate techniques for the determination of such multidimensional efficiencies. We carried out two case studies that show that multilayer perceptron neural networks can determine and correct for the distortions introduced by reconstruction and selection criteria in the multidimensional phase space of the decays $B^{0}\ ightarrow K^{*0}(\ ightarrow K^{+}\\pi^{-}) \\mu^{+}\\mu^{-}$ and $D^{0}\ ightarrow K^{-}\\pi^{+}\\pi^{+}\\pi^{-}$, at the price of a minimal analysis effort. We conclude that this method can already be used for measurements which statistical precision does not yet reach the percent level and that with more sophisticated machine learning methods, the aforementioned potential is very promising.

研究の動機と目的

• 高次元性と非因数化可能な効率依存性のため、従来のビンニング手法が不適切となる粒子崩壊において、多変量手法が多次元効率を効果的に特定できるかどうかを調査すること。
• 特に、大規模なハイパーパramータチューニングを要しない、市販の機械学習ツール（具体的には多層パーセプトロンニューラルネットワーク）を用いて、高エネルギー物理学の測定における位相空間歪みを補正する可能性を評価すること。
• 統計的不確実性がまだ1%未満に達していない測定において、このような手法が十分な精度を達成できるかどうかを評価すること。
• 微分崩壊解析における複雑なシミュレーションベースの効率決定の代替手段として、機械学習が実用的かつスケーラブルな選択肢であることを概念実証すること。

提案手法

• 本研究では、多層パーセプトロン（MLP）ニューラルネットワークを用い、$B^0 \to K^{*0} \mu^+ \mu^-$ および $D^0 \to K^- \pi^+ \pi^+ \pi^-$ 崩壊における再構築済みと生成済みの位相空間分布の間のマッピングを学習する。
• ニューラルネットワークは、完全な4次元運動量空間（$q^2$、$\cos\theta_l$、$\cos\theta_K$、$\phi$）を用い、シミュレートされた位相空間サンプル（元のもの）と再構築されたサンプル（歪んだもの）を区別するように訓練される。
• 訓練済みネットワークの出力スコアを用いて、歪みを補正するイベントウェイト（$\omega_i$）を割り当て、再構築されたサンプルを元の位相空間分布に再重み付けする。
• この手法は、標準的な機械学習パッケージの一般的なデフォルトハイパーパramータに依存しており、熟練した最適化の必要を最小限に抑える。
• 補正の妥当性は、補正済み分布と元のシミュレートされた位相空間分布を比較することで検証され、$q^2$ ビンごとの効率比の視覚的および定量的評価が行われる。
• このアプローチは、大規模なシミュレーションサンプルや細かいビン分割を必要とせず、高次元空間における複雑で非因数化可能な効率面をネットワークがモデル化できる能力に依存する。

実験結果

リサーチクエスチョン

• RQ1 多層パーセプトロンニューラルネットワークは、最小限のチューニングとデフォルト設定でも、$B^0 \to K^{*0} \mu^+ \mu^-$ 崩壊における多次元効率の歪みを補正できるか？
• RQ2 再構築および選別基準が複雑で非因数化可能な歪みを引き起こす場合、この手法は $D^0 \to K^- \pi^+ \pi^+ \pi^-$ 崩壊において真の位相空間分布をどの程度回復できるか？
• RQ3 統計的精度が1%未塔またはそれ以下の測定において、このアプローチは十分に有効であるか？（1%未塔の精度を必要としない測定を想定）
• RQ4 ニューラルネットワークのスコアを用いた再重み付け手順は、複数の $q^2$ リージョンにわたり、元の効率面をどの程度効果的に回復できるか？

主な発見

• 多層パーセプトロンニューラルネットワークは、$B^0 \to K^{*0} \mu^+ \mu^-$ 崩壊の4次元位相空間において、再構築および選別基準が引き起こす歪みのパターンを効果的に学習した。
• ネットワークの出力スコアを用いた再重み付け後、補正済み分布は元のシミュレートされた位相空間分布とよく一致しており、ほとんどの $q^2$ リージョンで残存歪みが5%未満に抑えられた。
• $D^0 \to K^- \pi^+ \pi^+ \pi^-$ 崩壊においても、同様に複数のビンで元の位相空間形状が回復され、異なる崩壊モードへの汎用性が示された。
• デフォルトハイパーパラメータと最小限の最適化でも補正が有効であったため、高エネルギー物理学の解析への導入障壁が低いことが示唆された。
• 結果から、統計的精度がまだ1%未満に達していない測定にこのアプローチをすでに適用可能であることが示された。
• 本研究は、より高度な機械学習技術を用いれば、正確で効率的かつスケーラブルな多次元効率決定の可能性は極めて高いと結論づけた。