[论文解读] $ν^2$-Flows: Fast and improved neutrino reconstruction in multi-neutrino final states with conditional normalizing flows

J. A. Raine, Matthew Leigh+2 more|arXiv (Cornell University)|Jul 5, 2023

Neutrino Physics Research被引用 4

一句话总结

该论文提出 $\nu^2$-Flows，一种基于条件归一化流的方法，可实现多中微子末态（特别是 $t\bar{t}$ 双轻子事例）中多个中微子动量的快速、高精度重建，通过从可观测对象中学习完整的中微子动量条件概率分布实现。该方法在重建精度和统计精度方面优于标准解析方法，单事件推理时间低于 75 毫秒，同时提升了对顶夸克质量及自旋关联的敏感度。

ABSTRACT

In this work we introduce $ν^2$-Flows, an extension of the $ν$-Flows method to final states containing multiple neutrinos. The architecture can natively scale for all combinations of object types and multiplicities in the final state for any desired neutrino multiplicities. In $t\bar{t}$ dilepton events, the momenta of both neutrinos and correlations between them are reconstructed more accurately than when using the most popular standard analytical techniques, and solutions are found for all events. Inference time is significantly faster than competing methods, and can be reduced further by evaluating in parallel on graphics processing units. We apply $ν^2$-Flows to $t\bar{t}$ dilepton events and show that the per-bin uncertainties in unfolded distributions is much closer to the limit of performance set by perfect neutrino reconstruction than standard techniques. For the chosen double differential observables $ν^2$-Flows results in improved statistical precision for each bin by a factor of 1.5 to 2 in comparison to the Neutrino Weighting method and up to a factor of four in comparison to the Ellipse approach.

研究动机与目标

• 解决在标准解析方法面临欠定解和偏差的 $t\bar{t}$ 双轻子事例中多重中微子重建的挑战。
• 克服传统方法依赖固定不变质量约束（如 $W$ 玻色子和顶夸克质量）的局限性，此类方法可能引入偏差，且在部分事例中无法找到解。
• 开发一种可扩展、可泛化的框架，原生支持末态中任意组合的粒子类型与多重性，包括多个中微子。
• 通过减少接近完美中微子重建理想极限的不确定性，提升未折叠分布中的统计精度。
• 实现在 GPU 加速下快速的逐事件推理，并为每个重建解提供概率输出，支持潜在的背景分离。

提出的方法

• 利用条件归一化流建模给定事例中可观测对象 $\mathcal{O}$ 的完整条件概率分布 $p(\vec{p}_{\nu_1}, \vec{p}_{\nu_2} \mid \mathcal{O})$，以实现中微子动量的重建。
• 采用带有交叉注意力机制和可学习分类标记的 Transformer 编码器，从喷注、轻子及辅助信息中构建排列不变的事例表征。
• 将归一化流条件化于事例嵌入，生成满足物理一致性与运动学相关性的多中微子动量解。
• 在包含真实中微子动量的模拟 $t\bar{t}$ 双轻子事例上端到端训练模型，学习底层运动学结构，而不强制施加质量约束。
• 实现快速推理（单 CPU 核上每事件低于 75 毫秒），并支持 GPU 上的并行计算以进一步提升速度。
• 利用学习到的流对每个事例采样多个解，并在下游分析中采用最高概率解或集合统计量。

Figure 1 : A schematic of the $\nu^{2}$ -Flows network for learning the conditional likelihood of multiple neutrinos in the event. The network uses a transformer encoder (TE) with cross-attention (CA) with a learnable class token (CT) to embed an event representation for any multiplicity of physics

实验结果

研究问题

• RQ1 基于归一化流的方法是否能在 $t\bar{t}$ 双轻子事例中实现比标准解析技术更高的多重中微子动量重建精度？
• RQ2 $\nu^2$-Flows 是否通过避免对不变质量（如 $m_W$、$m_t$）施加强假设，从而减少中微子重建中的偏差，相比传统方法？
• RQ3 与中微子加权法和椭圆法相比，$\nu^2$-Flows 在未折叠分布中统计精度的提升程度如何？
• RQ4 $\nu^2$-Flows 是否能在保持高速与高精度的同时实现完整事例覆盖（即所有事例均找到解）？
• RQ5 即使仅在单一顶夸克质量值下进行训练，模型是否仍能保留对顶夸克质量等底层物理参数的敏感度？

主要发现

• $\nu^2$-Flows 在 $t\bar{t}$ 双轻子事例中对两个中微子动量的重建精度显著优于标准解析技术，尤其在纵向动量分量的重建方面表现突出。
• 该方法在未折叠分布中实现的每箱不确定性远比竞争方法更接近完美中微子重建的理论极限。
• 对于双微分可观测量（如 $m_{t\bar{t}}$ 和 $\Delta\phi(\ell^+\ell^-)$），$\nu^2$-Flows 相较于中微子加权法将统计精度提升了 1.5 至 2 倍，相较于椭圆法甚至提升了高达 4 倍。
• 所有事例均成功完成重建并获得解，而部分标准方法在部分事例中无法找到解。
• 单 CPU 核上每事件推理时间低于 75 毫秒，且可通过 GPU 并行化进一步缩短。
• 尽管仅在顶夸克质量为 173 GeV 的事例上进行训练，$\nu^2$-Flows 仍对真实 $m_t$（171 GeV 和 175 GeV）的变化表现出可测量的敏感度，表明其隐式学习到了质量依赖关系。

Figure 8 : The relative statistical uncertainty in each unfolded bin of the two dimensional distributions for $m_{t\bar{t}}$ and $\Delta\phi(\ell^{+}\ell^{-})$ (top left), $p_{\mathrm{T}}^{t}$ (top right), $p_{\mathrm{T}}^{t\bar{t}}$ (bottom left), and $y_{t\bar{t}}$ (bottom right). Comparing the th