[论文解读] Precision-Machine Learning for the Matrix Element Method

Theo Heimel, Nathan Huetsch+3 more|arXiv (Cornell University)|Oct 11, 2023

Particle physics theoretical and experimental studies被引用 11

一句话总结

论文开发了一个三网络 MEM-ML 框架，结合条件可逆神经网络、传输/扩散网络和接受分类器，以在 MEM 分析中实现高精度似然提取，在 tHj 产物的 CP 相位中对 H→γγ 进行演示。

ABSTRACT

The matrix element method is the LHC inference method of choice for limited statistics. We present a dedicated machine learning framework, based on efficient phase-space integration, a learned acceptance and transfer function. It is based on a choice of INN and diffusion networks, and a transformer to solve jet combinatorics. We showcase this setup for the CP-phase of the top Yukawa coupling in associated Higgs and single-top production.

研究动机与目标

• 通过将基于 ML 的相空间积分与学习得到的接受函数和传输函数相结合，改进 MEM 分析。
• 在有限事件样本下实现对 LHC 过程的高精度似然提取。
• 展示在通过 tHj 与 H→γγ 脱对的 CP 相位测量中的适用性。
• 在统一的 ML MEM 框架中解决喷注组合和探测器效应问题。

提出的方法

• 使用由一个以 CP 角度 α 和观测级 x_reco 条件的 Sampling-cINN、以 x_hard 条件的 Transfer 网络，以及估计 x_hard 的 Acceptance 网络组成的三网络 MEM 积分器。
• 通过 dσ_fid(α)/dx_reco 和前向传输 r(x_reco|x_hard) 表达 reco 级似然 p(x_reco|α)，并引入 ε(x_hard)。
• 训练 Acceptance 网络，使其输出 x_hard 的接受概率。
• 用一个条件生成网络（cINN 或扩散）建模传输函数，将 x_hard 映射到 x_reco。
• 引入第二个条件正态流优化采样 q_φ(x_hard|x_reco,α)，以实现高效的蒙特卡洛积分。
• 应用 Vegas 潜在空间细化以降低积分方差并改善收敛性。
• 利用 dσ(x_hard|α)/dx_hard 的 α 相关部分和 x_hard 相关部分的因式分解，以加速计算（算子形变）。

实验结果

研究问题

• RQ1 三网络 MEM-ML 框架是否能在有限事件样本下实现接近最优的 MEM 分析似然提取？
• RQ2 如何将学习得到的接受函数和传输函数整合到 MEM 中，以高效处理探测器效应和相空间积分？
• RQ3 在 tHj 产物中使用扩散/传输网络和喷注组合变换器对 CP 相位敏感性有何影响？
• RQ4 在传输概率上训练的 Vegas 精细化和重要性采样如何影响 MEM 积分的收敛与不确定性？
• RQ5 是否可以重构 MEM 以利用 CP 侵犯性顶夸学习中的差分横截面因式分解性质？

主要发现

• 一个包含 Sampling-cINN、传输网络和 Acceptance 网络的三网络 MEM 框架能够实现对 fiducial 截面的高效且精确积分，以及事件似然性的评估。
• 在学习的传输概率上训练 Sampling-cINN 并应用 Vegas 精细化可提高收敛性，在大多数事件中以实际迭代次数达到约 2% 的目标精度。
• 增加事件样本后揭示硬过程真值与重建似然性之间的残留系统偏差，促使对传输概率的体系结构和训练进行改进。
• 通过专用网络进行接受建模提升 MEM 的似然性，相较两网络基线在 CP 相位推断中实现更接近最优的性能。
• 该方法可以利用 dσ/dx_hard 的 α 相关与 x_hard 相关分量的因式分解性质来简化并加速计算，利于 CP 相位研究。