[论文解读] swordfish: Efficient Forecasting of New Physics Searches without Monte Carlo

T. Edwards, Christoph Weniger|arXiv (Cornell University)|Dec 14, 2017

Scientific Computing and Data Management参考文献 1被引用 3

一句话总结

swordfish 是一个无需蒙特卡洛模拟的 Python 软件包，通过基于信息几何的近似方法，能够快速、准确地预测粒子物理与天体物理实验中的排除极限、发现能力以及置信度轮廓。它引入了等效计数法、信息通量以及新颖的可视化技术，在信号受限和系统误差受限的两种情形下，均以精确结果替代计算成本高昂的似然扫描，实现 10–20% 的精度，同时计算速度提升数个数量级。

ABSTRACT

We introduce swordfish, a Monte-Carlo-free Python package to predict expected exclusion limits, the discovery reach and expected confidence contours for a large class of experiments relevant for particle- and astrophysics. The tool is applicable to any counting experiment, supports general correlated background uncertainties, and gives exact results in both the signal- and systematics-limited regimes. Instead of time-intensive Monte Carlo simulations and likelihood maximization, it internally utilizes new approximation methods that are built on information geometry. Out of the box, swordfish provides straightforward methods for accurately deriving many of the common sensitivity measures. In addition, it allows one to examine experimental abilities in great detail by employing the notion of information flux. This new concept generalizes signal-to-noise ratios to situations where background uncertainties and component mixing cannot be neglected. The user interface of swordfish is designed with ease-of-use in mind, which we demonstrate by providing typical examples from indirect and direct dark matter searches as jupyter notebooks.

研究动机与目标

• 消除在粒子物理与天体物理实验灵敏度预测中对耗时蒙特卡洛模拟的需求。
• 在一般相关背景不确定性条件下，提供排除极限、发现能力以及置信度轮廓的精确且高效预测。
• 通过费舍尔信息通量概念，将信噪比推广以考虑系统误差。
• 利用高效的欧氏化信号映射方法，实现对高维参数空间的聚类算法判别。
• 通过基于流线与测地线的轮廓，提供直观、无需基准模型的实验灵敏度可视化。

提出的方法

• 等效计数法将复杂的信号与背景模型映射为两个汇总统计量：等效信号计数与等效背景计数，从而在泊松与高斯情形下均能实现快速灵敏度估计。
• 它利用轮廓对数似然比及其与对数泊松比的关联，在低统计量（泊松）情形下保持高精度。
• 使用费舍尔信息矩阵作为参数空间上的度量，实现基于测地线与流线的置信区域可视化，超越椭球近似。
• 信息通量通过整合背景不确定性与组分混合，推广了信噪比概念，使在系统误差下的最优实验设计成为可能。
• 欧氏化信号方法将非欧几里得信号模型映射到欧氏空间，其中统计差异近似为欧氏距离，从而实现对高维参数点的快速聚类。
• 所有方法均已实现于一个用户友好的 Python 软件包中，并配有 Jupyter Notebook 示例，适用于直接与间接暗物质搜寻。

实验结果

研究问题

• RQ1 在具有相关背景不确定性的计数实验中，是否可以在无需蒙特卡洛模拟的情况下准确预测排除极限与发现阈值？
• RQ2 如何推广信噪比以考虑背景组分中的系统误差？
• RQ3 在不依赖基准模型的前提下，有哪些高效、快速且直观的方法可用于多维参数空间中实验灵敏度的可视化？
• RQ4 如何高效量化未来实验在高维信号参数空间中的统计判别能力？
• RQ5 基于信息几何的近似方法在显著降低计算成本的同时，能在多大程度上匹配完整似然扫描的精度？

主要发现

• 等效计数法在泊松与高斯两种情形下，均实现了 10–20% 的灵敏度预测精度，且计算成本可忽略不计，远低于蒙特卡洛模拟。
• 信息通量提供了对信噪比的推广，可考虑背景不确定性，从而在系统误差受限的情境下实现最优实验设计。
• 基于费舍尔度量的流线与测地线可视化揭示了非椭球形的置信轮廓，更准确地反映了复杂模型中参数退化的真实形状。
• 欧氏化信号方法可利用聚类算法对超过 10000 万个参数点进行高效成对比较，且在近似统计差异方面保持高精度。
• swordfish 在 CTA 与 Xenon-1T 的已知灵敏度预测中实现了高保真度重现，验证了其在真实世界暗物质搜寻场景中的适用性。
• 该软件包为开源，包含可直接使用的 Jupyter Notebook，适用于直接与间接暗物质探测，可快速在科学社区中推广应用。