[论文解读] ν-Flows: Conditional Neutrino Regression

Matthew Leigh, J. A. Raine+2 more|arXiv (Cornell University)|Jul 1, 2022

Particle physics theoretical and experimental studies被引用 13

一句话总结

该论文提出 ν-Flows，一种基于条件归一化流的新型方法，利用可观测粒子的运动学信息与深度可逆神经网络，实现高能对撞机事例中全量中微子动量的重建。与传统方法相比，该方法在半轻衰变 t\bar{t} 事例中，显著提升了纵向动量重建精度，并将喷流-部分子匹配准确率最高提升 1.41 倍。

ABSTRACT

We present $ν$-Flows, a novel method for restricting the likelihood space of neutrino kinematics in high energy collider experiments using conditional normalizing flows and deep invertible neural networks. This method allows the recovery of the full neutrino momentum which is usually left as a free parameter and permits one to sample neutrino values under a learned conditional likelihood given event observations. We demonstrate the success of $ν$-Flows in a case study by applying it to simulated semileptonic $t\bar{t}$ events and show that it can lead to more accurate momentum reconstruction, particularly of the longitudinal coordinate. We also show that this has direct benefits in a downstream task of jet association, leading to an improvement of up to a factor of 1.41 compared to conventional methods.

研究动机与目标

• 解决由于中微子弱相互作用且不可探测，导致对撞机实验中中微子动量信息不完整的问题。
• 克服标准运动学约束（如 m_W）无法解决纵向动量歧义的局限性。
• 开发一种概率性、端到端的机器学习框架，学习在给定可观测事件可观测量条件下，中微子动量的条件似然分布。
• 在下游任务（如喷流-部分子匹配）中展示性能提升，该任务对精确测量顶夸克至关重要。
• 通过利用完整的中微子动量估计，实现更精确的顶夸克及 t\bar{t} 系统运动学重建。

提出的方法

• 利用条件归一化流（cNFs）建模条件概率分布 p(p_ν | x_obs)，其中 x_obs 为可观测事件运动学信息。
• 采用条件可逆神经网络（cINN）架构，学习从简单先验分布（如高斯分布）到中微子动量复杂后验分布的双射变换。
• 使用真实中微子动量作为标签进行模型训练，实现从可见粒子到完整中微子动量映射的端到端学习。
• 应用采样（ν-Flows(sample)）与模式预测（ν-Flows(mode)）两种推理策略，生成合理的中微子动量估计。
• 将估计的中微子动量整合进 χ²-似然拟合中，用于喷流-部分子匹配，同时施加 W 玻色子与顶夸克的质量约束。
• 采用前馈神经网络作为基线模型，直接从事件特征预测中微子动量。

实验结果

研究问题

• RQ1 条件归一化流能否在半轻衰变 t\bar{t} 事例中有效重建全量中微子动量，包括纵向分量？
• RQ2 与标准运动学重建方法（如 m_W 约束）及前馈神经网络相比，ν-Flows 在动量重建精度方面表现如何？
• RQ3 更精确的中微子动量估计在多大程度上提升了 t\bar{t} 事例中下游喷流-部分子匹配的性能？
• RQ4 ν-Flows 的性能增益是否随事例中重建喷流数量的增加而提升？
• RQ5 ν-Flows 的概率输出能否用于评估重建中微子动量的可靠性？

主要发现

• 在九喷流事例中，ν-Flows 将 b_lep 喷流匹配效率相比使用 m_W 约束的标准运动学方法提升了 1.41 倍。
• ν-Flows(mode) 方法在四喷流事例中使 b_lep 匹配准确率提升 1.03 倍，在九喷流事例中提升 1.41 倍，相较基线方法。
• ν-Flows(sample) 在九喷流事例中实现 b_lep 匹配效率 0.357，优于标准方法（0.286）与前馈基线模型（0.302）。
• 该方法在纵向动量重建方面表现更优，尤其在高喷流多重性事例中，传统运动学约束效果减弱。
• 性能增益在高喷流多重性事例中最为显著，因组合复杂度增加，精确的中微子动量估计至关重要。
• 观察到喷流-部分子匹配与中微子估计之间存在循环依赖关系：更优的中微子估计提升匹配性能，反之亦然，提示联合训练具有潜力。