[论文解读] Resonance Searches with Machine Learned Likelihood Ratios

Jacob Hollingsworth, D. Whiteson|arXiv (Cornell University)|Feb 11, 2020

Particle physics theoretical and experimental studies参考文献 28被引用 9

一句话总结

本文提出一种基于机器学习的方法，利用多变量探测器级可观测量计算共振搜索的似然比，绕过传统的基于直方图的方法和矩阵元近似。通过在模拟事件的潜在信息上训练神经网络，该方法在排除极限方面优于传统方法，在Z'玻色子搜索中显著提升了灵敏度。

ABSTRACT

We demonstrate the power of machine-learned likelihood ratios for resonance searches in a benchmark model featuring a heavy Z' boson. The likelihood ratio is expressed as a function of multivariate detector level observables, but rather than being calculated explicitly as in matrix-element-based approaches, it is learned from a joint likelihood ratio which depends on latent information from simulated samples. We show that bounds drawn using the machine learned likelihood ratio are tighter than those drawn using a likelihood ratio calculated from histograms.

研究动机与目标

• 开发一种无需似然函数的推断方法，利用多变量探测器级事件信息进行共振搜索，避免因质量不变量总结而导致的信息损失。
• 克服传统基于直方图的似然比的局限性，后者受维度灾难和信息损失的影响。
• 将原本为有效场论设计的ALICE框架适配至共振搜索，尽管存在质量依赖的非多项式矩阵元等挑战。
• 证明即使在训练期间无法获取解析导数（得分）的情况下，机器学习得到的似然比仍可优于标准方法。
• 建立一种计算高效、与探测器响应无关的替代矩阵元方法，同时保留完整的事件信息。

提出的方法

• 该方法通过在潜在部分子级信息和探测器级可观测量上训练的神经网络，从模拟事件中学习似然比函数。
• 通过直接从模拟中学习联合似然比，绕过显式的矩阵元计算和探测器传递函数近似。
• 似然比通过在信号和背景事件对上使用对比损失进行训练，理论参数（质量与耦合常数）作为输入。
• 使用测试集事件评估模型，所得似然比用于计算假设检验的对数似然比。
• 该方法采用探测器级四维动量的多变量输入，其中不变量质量与快度差为关键可观测量。
• 通过交叉验证调整超参数，使用AMSGrad优化器和线性学习率衰减进行训练。

实验结果

研究问题

• RQ1 基于多变量探测器级可观测量的机器学习似然比是否能在共振搜索中优于传统的基于直方图的似然比？
• RQ2 使用完整事件信息（超越不变量质量）在多大程度上能提升对Z'玻色子的探测灵敏度？
• RQ3 尽管缺乏完整的形态变换结构，ALICE框架是否可成功适配至共振搜索？
• RQ4 当训练期间无法获取导数信息（得分）时，该方法是否仍能实现优于基于直方图方法的排除极限？
• RQ5 该方法是否可通过避免探测器传递函数近似，成为矩阵元方法更准确且高效的替代方案？

主要发现

• 基于机器学习的似然比方法产生的排除轮廓显著比基于直方图的方法更紧，表明灵敏度得到提升。
• 该方法性能与矩阵元方法相当，但无需对探测器响应进行近似。
• 最关键的可观测量是二喷注不变量质量 $m_{jj}$ 和快度差 $\Delta y_{jj}$，高维特征的信息损失可忽略不计。
• 即使在无法获取解析导数（得分）的情况下，模型仍表现出色，证明了在共振搜索中样本高效训练的可行性。
• 该方法表明，对探测器级四维动量进行完整的多变量分析，相比单变量不变量质量分析，可带来显著性能提升。
• 结果表明，对于更复杂的共振过程，该多变量方法可能因信息保留更充分而获益更大。