[论文解读] On the potential of multivariate techniques for the determination of multidimensional efficiencies

B. Viaud|arXiv (Cornell University)|Feb 11, 2016

Particle physics theoretical and experimental studies参考文献 27被引用 5

一句话总结

本文探讨了多变量技术，特别是多层感知机神经网络，在高能物理衰变中确定多维效率时的应用，此类衰变中重建和选择标准会扭曲相空间分布。通过两个案例研究——$B^0 \to K^{*0} \mu^+ mu^-$ 和 $D^0 \to K^- \pi^+ \pi^+ \pi^-$——表明，即使在极少优化和默认设置下，这些方法也能有效校正扭曲，显示出在百分之一级或更高不确定度下实现精确测量的巨大潜力。

ABSTRACT

Differential measurements of particle collisions or decays can provide stringent constraints on physics beyond the Standard Model of particle physics. In particular, the distributions of the kinematical and angular variables that characterise heavy me- son multibody decays are non trivial and can sign the underlying interaction physics. In the era of high luminosity opened by the advent of the Large Hadron Collider and of Flavor Factories, differential measurements are less and less dominated by statistical precision and require a precise determination of efficiencies that depend simultaneously on several variables and do not factorise in these variables. This docu- ment is a reflection on the potential of multivariate techniques for the determination of such multidimensional efficiencies. We carried out two case studies that show that multilayer perceptron neural networks can determine and correct for the distortions introduced by reconstruction and selection criteria in the multidimensional phase space of the decays $B^{0}\ ightarrow K^{*0}(\ ightarrow K^{+}\\pi^{-}) \\mu^{+}\\mu^{-}$ and $D^{0}\ ightarrow K^{-}\\pi^{+}\\pi^{+}\\pi^{-}$, at the price of a minimal analysis effort. We conclude that this method can already be used for measurements which statistical precision does not yet reach the percent level and that with more sophisticated machine learning methods, the aforementioned potential is very promising.

研究动机与目标

• 探究多变量技术是否能有效确定因高维性与非可分解效率依赖关系而使传统分箱方法不可行的粒子衰变中的多维效率。
• 评估使用现成机器学习工具——特别是多层感知机神经网络——在无需大量超参数调优的情况下，校正高能物理测量中相空间扭曲的可行性。
• 评估此类方法是否足以实现统计不确定性尚未达到亚百分之一水平的测量精度。
• 提供一个概念验证，表明机器学习可作为复杂模拟驱动的效率确定在微分衰变分析中的实用且可扩展的替代方案。

提出的方法

• 本研究采用多层感知机（MLP）神经网络，学习 $B^0 \to K^{*0} \mu^+ \mu^-$ 和 $D^0 \to K^- \pi^+ \pi^+ \pi^-$ 衰变中重建与生成相空间分布之间的映射关系。
• 神经网络通过完整四维动量空间（$q^2$、$\cos\theta_l$、$\cos\theta_K$ 和 $\phi$）区分来自模拟相空间样本（原始）与重建样本（扭曲）的事件。
• 利用训练后网络的输出得分，为事件分配权重（$\omega_i$），以校正扭曲，从而将重建样本重新加权，使其匹配原始相空间分布。
• 该方法依赖于标准机器学习软件包中的通用默认超参数，最大限度减少对专家级调优的依赖。
• 通过将校正后分布与原始模拟相空间分布进行比较，对校正效果进行验证，定量评估各 $q^2$ 区间内效率比的差异。
• 该方法通过利用网络在高维空间中建模复杂、非可分解效率曲面的能力，避免了对大规模模拟样本或精细分箱的需求。

实验结果

研究问题

• RQ1 多层感知机神经网络是否能在极少调优和默认设置下，有效校正 $B^0 \to K^{*0} \mu^+ \mu^-$ 衰变中四维相空间内的多维效率扭曲？
• RQ2 当重建和选择标准引入复杂且非可分解的扭曲时，该方法在 $D^0 \to K^- \pi^+ \pi^+ \pi^-$ 衰变中能在多大程度上恢复真实的相空间分布？
• RQ3 当测量的统计精度仅为百分之一级或更差时，该方法是否足够有效，而无需达到亚百分之一精度？
• RQ4 利用神经网络输出得分进行重加权在恢复多个 $q^2$ 区域内原始效率曲面方面的有效性如何？

主要发现

• 多层感知机神经网络成功学习了 $B^0 \to K^{*0} \mu^+ \mu^-$ 衰变中重建和选择标准在四维相空间内引入的扭曲模式。
• 使用网络输出得分对事件进行重加权后，校正后的分布与原始模拟相空间分布高度一致，大多数 $q^2$ 区域内残余扭曲低于5%。
• 在 $D^0 \to K^- \pi^+ \pi^+ \pi^-$ 衰变中，该方法同样在多个分箱内恢复了原始相空间形状，证明了其在不同衰变模式间的可迁移性。
• 即使使用默认超参数和极少优化，该方法仍表现出良好效果，表明其在高能物理分析中具有较低的使用门槛。
• 结果表明，该方法已可直接应用于统计精度尚未达到亚百分之一水平的测量任务。
• 本研究得出结论：若结合更先进的机器学习技术，该方法在实现准确、高效且可扩展的多维效率确定方面具有极高的潜力。