[论文解读] Efficiency Parameterization with Neural Networks

Chiara Badiali, F. A. Di Bello+5 more|arXiv (Cornell University)|Apr 6, 2020

Particle physics theoretical and experimental studies参考文献 10被引用 5

一句话总结

该论文提出一种基于图神经网络（GNN）的方法，用于参数化高能物理中的多维效率图，通过建模喷注之间的复杂相关性，实现对喷注标签效率的精确、通用估计。该方法通过学习局部密度比，相较于传统分箱效率图，有效减少了统计涨落，并在未见分布上具有良好泛化能力，已在Higgs粒子衰变为b夸克的简化模型中得到验证。

ABSTRACT

Multidimensional efficiency maps are commonly used in high energy physics experiments to mitigate the limitations in the generation of large samples of simulated events. Binned multidimensional efficiency maps are however strongly limited by statistics. We propose a neural network approach to learn ratios of local densities to estimate in an optimal fashion efficiencies as a function of a set of parameters. Graph neural network techniques are used to account for the high dimensional correlations between different physics objects in the event. We show in a specific toy model how this method is applicable to produce accurate multidimensional efficiency maps for heavy flavor tagging classifiers in HEP experiments, including for processes on which it was not trained.

研究动机与目标

• 为解决高能物理中传统分箱效率图存在的统计局限性，这些方法无法捕捉喷注标签中复杂的多维相关性。
• 开发一种分类器效率的通用参数化方法，使其在未明确训练过的各种相空间区域中仍保持高精度。
• 利用图神经网络从单个喷注特性中推断喷注间的相关性，实现无偏的逐事件效率估计。
• 通过用学习到的连续效率权重替代选择判据，减少LHC分析中的蒙特卡洛统计不确定性。
• 将该方法推广至互补类别之外，实现多维尺度因子估计的应用。

提出的方法

• 该方法使用图神经网络（GNN）将b标签分类器的效率建模为多维相空间中局部密度的比值。
• 事件中的喷注被表示为图中的节点，边通过动量空间特征（如∆R(i,j)）隐式编码相关性，无需显式输入相关性特征。
• GNN被训练以预测效率ε(θ)作为喷注特性θ（如pT, η）的函数，学习局部邻域内b喷注与非b喷注之间密度比值。
• 损失函数被设计用于优化密度比值的估计，从而实现对分布外样本的稳健泛化。
• 将逐喷注效率组合以计算无偏的逐事件权重，用于重加权蒙特卡洛样本，替代传统选择判据。
• 该方法基于ATLAS/CMS启发的b标签性能简化模型进行验证，真实效率图作为真实标签。

实验结果

研究问题

• RQ1 基于GNN的方法能否在高能物理中学习到准确的多维效率图，并在训练分布之外实现良好泛化？
• RQ2 与传统分箱效率图相比，GNN模型在捕捉喷注间高维相关性方面表现如何？
• RQ3 该方法在保持多样化相空间区域精度的同时，能在多大程度上减少蒙特卡洛样本中的统计涨落？
• RQ4 当输入分布与训练数据不同时，基于GNN的效率参数化是否仍可用于推导可靠的逐事件权重进行重加权？
• RQ5 在事件级动量空间中，该方法与真实效率分布的兼容性相较于标准图基技术如何？

主要发现

• 基于GNN的方法在逐喷注和逐事件动量分布上与真实直接b标签效率获得的结果高度一致，证明了其高精度。
• 该方法在输入分布与训练数据显著不同的样本上表现出有效泛化，显示出强大的鲁棒性与通用性。
• GNN通过捕捉传统分箱效率图因统计限制而无法解析的复杂高维相关性，优于传统分箱效率图。
• 估计的效率比值稳定且校准良好，逐事件重加权过程中偏差极小，验证了该方法在提升灵敏度应用中的适用性。
• 该方法成功学习了效率的底层函数形式，即使在喷注特性间存在复杂非平凡依赖关系时也无需先验假设。
• 该方法减少了标准图基技术中因相关性捕捉不完整而引入的系统不确定性，为探测器性能建模提供了更可靠的替代方案。