[论文解读] Benchmarks for a Global Extraction of Information from Deeply Virtual Exclusive Scattering

Manal Almaeen, Jake Grigsby+5 more|arXiv (Cornell University)|Jul 21, 2022

Particle physics theoretical and experimental studies被引用 4

一句话总结

该论文提出了FemtoNet，一种用于从深度虚拟康普顿散射（DVCS）数据中基准测试和提取康普顿形式因子（CFFs）的机器学习框架，整合了物理约束和不确定性量化。该框架提出了一种随机目标方法，以分离偶然性不确定性（aleatoric）与认知性不确定性（epistemic），从而实现可解释、可控制的基于机器学习的CFFs提取，提升了泛化能力与误差控制水平。

ABSTRACT

We develop a framework to establish benchmarks for machine learning and deep neural networks analyses of exclusive scattering cross sections (FemtoNet). Within this framework we present an extraction of Compton form factors for deeply virtual Compton scattering from an unpolarized proton target. Critical to this effort is a study of the effects of physics constraint built into machine learning (ML) algorithms. We use the Bethe-Heitler process, which is the QED radiative background to deeply virtual Compton scattering, to test our ML models and, in particular, their ability to generalize information extracted from data. We then use these techniques on the full cross section and compare the results to analytic model calculations. We propose a quantification technique, the random targets method, to begin understanding the separation of aleatoric and epistemic uncertainties as they are manifest in exclusive scattering analyses. We propose a set of both physics driven and machine learning based benchmarks providing a stepping stone towards applying explainable machine learning techniques with controllable uncertainties in a wide range of deeply virtual exclusive processes.

研究动机与目标

• 建立用于深度虚拟非弹性散射（DVES）实验中机器学习应用的系统性基准测试框架。
• 通过物理信息驱动的机器学习方法，实现从非极化质子散射数据中精确提取康普顿形式因子（CFFs）。
• 通过量化不确定性与模型可靠性，解决从有限极化可观测量中反演提取多个CFFs的逆问题。
• 通过一种新颖的随机目标方法，分离机器学习模型中的认知性与偶然性不确定性，以提升不确定性量化（UQ）的精度。
• 通过整合物理约束与数据驱动学习，为强子物理中的可解释人工智能奠定基础，适用于高维DVES分析。

提出的方法

• 开发FemtoNet，一种嵌入量子电动力学（QED）与量子色动力学（QCD）约束（如Bethe-Heitler过程）的机器学习框架，以提升CFF提取中的泛化能力。
• 应用变分自编码器逆映射（VAIM）从截面中重建CFFs，实现在潜在空间中的后验分布估计。
• 提出随机目标方法，通过在随机化的目标标签上进行训练，以隔离并量化认知性不确定性。
• 利用数据增强技术将实验误差传播至VAIM框架中，实现从数据到CFF参数的不确定性传播。
• 将基于机器学习的CFF提取结果与解析模型计算结果进行对比，以验证性能与一致性。
• 采用统计框架分别处理系统性、认知性与偶然性不确定性，实现在高维DVES问题中的可控不确定性量化。

实验结果

研究问题

• RQ1 如何通过物理约束来提升机器学习模型在非弹性散射数据分析中的泛化能力？
• RQ2 随机目标方法在从DVCS数据中提取CFFs时，能在多大程度上分离认知性与偶然性不确定性？
• RQ3 基于VAIM的逆映射能否从单一可观测量中重建出具有可控不确定性的多个CFF解？
• RQ4 物理信息神经网络与标准机器学习模型在从模拟DVCS截面中提取CFFs方面相比表现如何？
• RQ5 数据增强与误差传播对基于机器学习的CFF提取中不确定性量化有何影响？

主要发现

• 随机目标方法成功隔离了认知性不确定性，实现了对CFF参数化中模型特异性误差的量化。
• 物理约束的机器学习模型在Bethe-Heitler背景过程上表现出更优的泛化能力，验证了其鲁棒性。
• 基于VAIM的反演方法能够恢复多个合理的CFF解，展示了该方法在高维参数空间中处理逆问题的能力。
• 该框架实现了从实验数据到CFF的不确定性传播，结果与解析模型计算结果保持一致。
• 物理约束与不确定性量化的整合显著提升了在非弹性散射分析中模型的可解释性与可靠性。
• FemtoNet为未来在GPD与CFF提取中基于DVES实验的机器学习应用建立了可复现的基准测试流程。