[论文解读] Machine learning approach to inverse problem and unfolding procedure

Nikolai Gagunashvili|arXiv (Cornell University)|Apr 12, 2010

Probabilistic and Robust Engineering Design参考文献 13被引用 14

一句话总结

本文提出一种基于机器学习的方法，通过使用物理上合理的真分布训练样本，同时识别探测器响应函数（变换矩阵 P）并重建真分布，以解决实验物理中的反问题和去卷积问题。该方法利用蒙特卡洛模拟生成训练数据，采用系统辨识与最小二乘估计以最小化偏差与统计误差，并在多种测试分布上表现出稳健性能，残差极小且误差率低。

ABSTRACT

A procedure for unfolding the true distribution from experimental data is presented. Machine learning methods are applied for simultaneous identification of an apparatus function and solving of an inverse problem. A priori information about the true distribution from theory or previous experiments is used for Monte-Carlo simulation of the training sample. The training sample can be used to calculate a transformation from the true distribution to the measured one. This transformation provides a robust solution for an unfolding problem with minimal biases and statistical errors for the set of distributions used to create the training sample. The dimensionality of the solved problem can be arbitrary. A numerical example is presented to illustrate and validate the procedure.

研究动机与目标

• 解决实验物理中反问题的固有不适定性，其中测量分布受探测器能量分辨率与效率的影响而发生畸变。
• 开发一种统一框架，利用理论或实验分布的先验信息，同时识别探测器响应函数并求解去卷积问题。
• 通过源自已知真分布蒙特卡洛模拟的训练样本，降低去卷积分布中的偏差与统计误差。
• 实现对多维及任意分箱数据的稳健去卷积，无需线性化或对分箱结构施加限制性假设。
• 通过机器学习启发的框架（包括交叉验证与误差估计）对去卷积过程进行验证。

提出的方法

• 采用线性模型表示从真分布 φ 到测量分布 f 的变换关系：f = Pφ + ε，其中 P 为变换矩阵，ε 为零均值随机误差向量。
• 通过加权最小二乘法估计真分布：φ̂ = (PᵀΣ⁻¹P)⁻¹PᵀΣ⁻¹f，误差估计的方差矩阵为 Δ = (PᵀΣ⁻¹P)⁻¹。
• 通过脉冲输入信号（一次仅一个非零分箱）进行系统辨识，利用探测器响应的蒙特卡洛模拟构建矩阵 P。
• 利用理论或先前实验知识生成一组物理上合理的真分布训练样本，以指导 P 的模拟。
• 采用 D-优化与提升技术以提高去卷积解的鲁棒性并最小化方差。
• 通过 1000 次蒙特卡洛模拟运行对整个流程进行验证，评估多种测试分布下的偏差与统计误差。

实验结果

研究问题

• RQ1 能否有效将机器学习框架应用于实验物理中，同时识别探测器响应函数并求解去卷积问题？
• RQ2 如何在训练样本中编码真分布的先验知识，以提升去卷积的鲁棒性与准确性？
• RQ3 与传统去卷积技术相比，该方法在多大程度上可降低去卷积分布中的偏差与统计误差？
• RQ4 该方法是否可在无需线性化或限制性假设的前提下，处理任意分箱方案与多维分布？
• RQ5 该方法在不同用于生成训练样本的真分布下的性能表现如何？

主要发现

• 在数值示例中，所有测试分布的残差均稳定低于 0.1%，表明去卷积分布的偏差极低。
• 由于采用最小二乘法与优化的系统辨识，去卷积分量的统计误差被最小化，测试案例中的误差低至 0.11–0.34。
• 对于从训练样本中随机选取的八个测试分布，所有分量的平均偏差均低于 0.05，证实了方法的鲁棒性。
• 一旦从训练样本中计算出变换矩阵 P，即可无需重新识别，准确去卷积一整套分布。
• 通过 1000 次蒙特卡洛模拟的验证程序表明，该方法在多种分布形状下均保持低统计误差与最小偏差。
• 该方法通过线性近似变换实现对非线性畸变的有效处理，其结果在多个测试案例中保持一致，验证了方法的有效性。