[论文解读] Efficient description of experimental effects in amplitude analyses

A. Mathad, D. P. O’Hanlon+2 more|arXiv (Cornell University)|Feb 4, 2019

Particle physics theoretical and experimental studies参考文献 4被引用 1

一句话总结

本文提出先进的机器学习技术——高斯过程与人工神经网络，用于在强子衰变的多维振幅分析中高效、正则化地建模非均匀的探测器接受度与本底分布。结果表明，这些方法通过实现从边带区域的精确外推和基于物理的参数化，降低了系统性不确定性和计算成本，其中神经网络在50×50分箱测试中达到χ²/nDoF = 2472.6/2491的拟合质量。

ABSTRACT

Amplitude analysis is a powerful technique to study hadron decays. A significant complication in these analyses is the treatment of instrumental effects, such as background and selection efficiency variations, in the multidimensional kinematic phase space. This paper reviews conventional methods to estimate efficiency and background distributions and outlines the methods of density estimation using Gaussian processes and artificial neural networks. Such techniques see widespread use elsewhere, but have not gained popularity in use for amplitude analyses. Finally, novel applications of these models are proposed, to estimate background density in the signal region from the sidebands in multiple dimensions, and a more general method for model-assisted density estimation using artificial neural networks.

研究动机与目标

• 解决在多维振幅分析中建模非均匀探测器接受度与本底分布的挑战。
• 减少由传统、通常次优的效率与本底参数化方法引起的系统性不确定性。
• 通过实现数据驱动、平滑且正则化的模型，降低对大规模、计算成本高昂的蒙特卡洛模拟的依赖。
• 实现从边带区域到信号区域的稳健本底密度外推，尤其在高维相空间中。
• 引入模型辅助的神经网络参数化方法，编码物理依赖关系，以提升模型的可解释性与约束能力。

提出的方法

• 使用高斯过程对接受度与本底密度进行非参数化建模，内置平滑性与不确定性量化。
• 应用人工神经网络（ANN）进行高维密度估计，通过模拟数据训练以学习复杂的多维相关性。
• 提出一种新方法，利用高斯过程或神经网络模型将本底密度从边带区域外推至信号区域，避免对函数形式的假设。
• 开发一种模型辅助的ANN框架，学习对物理参数（如pT、质量截断）的依赖关系，从而实现基于物理的正则化。
• 在参数变化的模拟样本上训练ANN，以学习完整的7维（效率）或11维（本底）密度分布。
• 在无模型最大似然拟合中使用归一化似然，其中F(x|ΘA)结合了信号振幅、接受度ϵ(x)与本底B(x)，如−2lnL = −2∑lnF(xi|ΘA)。

实验结果

研究问题

• RQ1 高斯过程与神经网络能否在振幅分析中提供比传统方法更准确、更高效的探测器接受度参数化？
• RQ2 如何在不假设特定函数形式的前提下，可靠地将本底密度从边带区域外推至信号区域？
• RQ3 神经网络在多大程度上能够学习动量变量与探测器效应之间复杂的多维相关性？
• RQ4 通过在密度模型中编码物理依赖关系，模型辅助的神经网络在多大程度上可减少系统性不确定性？
• RQ5 在真实的强子衰变分析中，这些先进方法在维度与数据规模增加时的可扩展性如何？

主要发现

• 基于神经网络的本底模型在50×50分箱测试中达到χ²/nDoF = 2472.6/2491的拟合质量，表明与真实分布高度一致。
• 神经网络成功重建了关键本底模型参数，如kaon的平均pT（0.277 ± 0.010 GeV，真实值为0.3 GeV），精度极高。
• 使用高斯过程与神经网络实现了接受度与本底的平滑、正则化建模，显著减少了对大规模蒙特卡洛样本的依赖。
• 模型辅助的ANN方法能够提取对物理参数的潜在依赖关系，提升了模型的可解释性与约束能力。
• 利用高斯过程或神经网络模型从边带区域外推本底密度在高维相空间中表现有效，减轻了动量相关性带来的偏差。
• 这些技术共同通过实现对仪器效应更高效、更精确的建模，降低了系统性不确定性和计算成本。