[论文解读] The use of Generative Adversarial Networks to characterise new physics in multi-lepton final states at the LHC

Thabang Lebese, X. Ruan|arXiv (Cornell University)|May 31, 2021

Computational Physics and Python Applications被引用 6

一句话总结

本论文提出使用带梯度惩罚的Wasserstein GAN（WGAN-GP）生成大型强子对撞机（LHC）多轻子末态的高保真度、计算高效的蒙特卡洛（MC）事件，特别针对具有底夸克的荷电相反的二轻子末态。结果表明，WGAN-GP生成的事件在关键运动学可观测量上与完整探测器模拟的MC样本高度一致，所有特征的相对均值差异均低于4%，仅有一个特征除外，验证了其在半监督新物理搜索中的适用性。

ABSTRACT

Semi-supervision in Machine Learning can be used in searches for new physics where the signal plus background regions are not labelled. This strongly reduces model dependency in the search for signals Beyond the Standard Model. This approach displays the drawback in that over-fitting can give rise to fake signals. Tossing toy Monte Carlo (MC) events can be used to estimate the corresponding trials factor through a frequentist inference. However, MC events that are based on full detector simulations are resource intensive. Generative Adversarial Networks (GANs) can be used to mimic MC generators. GANs are powerful generative models, but often suffer from training instability. We henceforth show a review of GANs. We advocate the use of Wasserstein GAN (WGAN) with weight clipping and WGAN with gradient penalty (WGAN-GP) where the norm of gradient of the critic is penalized with respect to its input. Following the emergence of multi-lepton anomalies, we apply GANs for the generation of di-leptons final states in association with $b$-quarks at the LHC. A good agreement between the MC and the WGAN-GP generated events is found for the observables selected in the study.

研究动机与目标

• 解决大型强子对撞机（LHC）新物理搜索中全探测器模拟蒙特卡洛（MC）研究的高计算成本问题。
• 通过使用生成对抗网络（GANs）生成大规模、逼真的事件样本，克服半监督机器学习中的过拟合挑战。
• 评估不同GAN架构——原始GAN、带权重裁剪的WGAN以及带梯度惩罚的WGAN-GP——在生成多轻子末态运动学分布方面的性能。
• 证明WGAN-GP能够生成与完整MC模拟统计特性高度一致的事件样本，从而实现高效的‘寻找其他地方效应’（look-elsewhere effect）估计。

提出的方法

• 利用生成对抗网络（GANs）从无标签的标准模型（SM）背景样本中合成事件级运动学数据，避免对完整探测器模拟的依赖。
• 实现并比较三种GAN变体：原始GAN、带权重裁剪的WGAN以及带梯度惩罚的WGAN-GP，重点关注训练稳定性和分布保真度。
• 采用WGAN-GP架构，通过梯度惩罚项强制判别器的梯度范数约束，以提升训练稳定性并改善样本质量。
• 在6–8个运动学特征（如轻子横向动量、不变质量、缺失横向能量）上训练WGAN-GP，这些特征来自标准模型MC事件。
• 使用均值比较、累积分布函数（CDF）以及皮尔逊与斯皮尔曼相关系数的相关性矩阵，评估MC样本与生成样本之间的性能表现。
• 通过收敛性和一致性指标在训练周期中优化超参数，并选择表现最佳的模型。

实验结果

研究问题

• RQ1 WGAN-GP能否在关键运动学可观测量上生成与完整探测器模拟MC样本统计匹配的多轻子末态事件？
• RQ2 在分布保真度和训练稳定性方面，WGAN-GP相较于原始GAN和带权重裁剪的WGAN表现如何？
• RQ3 GAN生成的事件在多大程度上可降低LHC半监督新物理搜索中玩具MC研究的计算成本？
• RQ4 MC样本与GAN生成事件分布之间在多个可观测量（如 $p_{\rm T}^{\rm \tau}$, $m_{\rm \tau\tau}$, 和 $E_{\rm T}^{\rm miss}$）上的一致性水平如何？
• RQ5 GAN能否作为全MC模拟的可靠替代方案，用于半监督搜索中‘寻找其他地方效应’的估计？

主要发现

• WGAN-GP在所有测试的GAN变体中表现最佳，展现出更优的训练稳定性和样本质量。
• WGAN-GP生成事件中所有8个运动学特征的均值与完整MC样本的相对差异均低于4%，仅 $m_{\rm \tau\tau}$ 特征出现4.0%的偏差。
• CDF图显示，在80–110 GeV区间内 $p_{\rm T}^{\rm \tau_0}$ 和40–70 GeV区间内 $p_{\rm T}^{\rm \tau_1}$ 的分布存在轻微偏差，其余区域无显著差异。
• 基于皮尔逊相关系数（PCC）的相关性矩阵显示MC样本与WGAN-GP生成样本之间具有高度一致性，表明统计依赖关系得到良好保留。
• WGAN-GP模型成功以高保真度重现了可观测量的联合分布，包括横向动量、不变质量及缺失横向能量。
• 本研究证实，WGAN-GP可作为全探测器模拟的计算高效替代方案，用于半监督新物理搜索中大规模事件样本的生成。