[论文解读] Treating Detector Systematics via a Likelihood Free Inference Method

Leander Fischer, Richard Naab+1 more|arXiv (Cornell University)|Jan 1, 2023

Particle physics theoretical and experimental studies被引用 1

一句话总结

本文提出了一种无需似然函数的推断方法，可在粒子物理实验中对蒙特卡罗模拟进行模型无关、事件级的重加权，以考虑探测器系统误差。通过在离散探测器实现上使用k近邻分类，该方法将探测器响应变化与物理模型权重解耦，无需假设特定物理模型或进行分箱，即可准确建模系统效应。在具有高保真度重加权的中微子振荡简化模型中，该方法在参数空间内表现优异。

ABSTRACT

Estimating the impact of systematic uncertainties in particle physics experiments is challenging, especially since the detector response is unknown analytically in most situations and needs to be estimated through Monte Carlo (MC) simulations. Typically, detector property varia-tions are parameterized in ways that implicitly assume a specific physics model, which can introduce biases on quantities measured by an analysis. In this paper, we present a method to recover a model-independent, event-wise estimation of the detector response variation by applying a likelihood-free inference method to a set of MC simulations representing discrete detector realizations. The method provides a re-weighting scheme for every event, which can be used to apply the effects of detector property variations fully decoupled from the assumed physics model. Using a toy MC example inspired by fixed-baseline neutrino oscillation experiments, we demonstrate the performance of our method. We show that it fully decouples the modeling of the detector response from the physics parameters to be measured in a MC forward-folding analysis.

研究动机与目标

• 为解决在探测器响应无法解析已知的蒙特卡罗正向折叠分析中建模探测器系统误差的挑战。
• 将探测器响应变化的建模与被测量的物理参数解耦，避免因依赖模型的参数化而引入偏差。
• 开发一种灵活的、无需分箱的方法，高效重用现有蒙特卡罗模拟，以在多个参数实现下建模探测器变化。
• 通过提供事件级重加权方案，实现高效的分析优化和无分箱似然形式。

提出的方法

• 该方法采用无需似然函数的推断框架，利用k近邻（KNN）分类，估计每个事件属于一组具有不同探测器属性的蒙特卡罗模拟中特定探测器实现的后验概率。
• 对于每个事件，KNN分类器计算其特征向量（真实和重建变量）与非标称蒙特卡罗集合中事件的接近程度，从而在探测器实现上生成后验分布。
• 通过最小化预测概率与观测概率之间的负对数似然，对后验分布拟合多项式系数，实现对参数空间中探测器响应效应的平滑插值。
• 由此产生的重加权方案应用于标称蒙特卡罗集合，使其能够在不重新运行模拟的情况下模拟任何非标称探测器实现。
• 该方法与物理模型权重完全解耦，因为重加权仅依赖于探测器响应特征，而不依赖于被测量的物理参数。
• 该方法在具有单一不确定探测器参数（如能量标度）的中微子振荡简化模型中得到验证，展示了在整个参数变化范围内均具有高精度的重加权。

实验结果

研究问题

• RQ1 是否可以以完全解耦于假设物理模型的方式建模探测器响应变化，从而在正向折叠分析中实现？
• RQ2 非参数化、无需似然函数的推断方法能否在不假设线性或解析形式的前提下，有效插值离散蒙特卡罗实现之间的探测器响应效应？
• RQ3 通过KNN分类进行事件级重加权，在多大程度上能再现具有不同探测器参数的完整蒙特卡罗模拟的统计特性？
• RQ4 当物理模型未知或在系统误差估计期间未显式建模时，该方法在重加权精度方面表现如何？

主要发现

• 该方法成功地将探测器响应建模与物理模型权重解耦，消除了因依赖模型的系统效应参数化而引入的偏差。
• 在中微子振荡简化模型中，重加权后的标称蒙特卡罗分布与真实非标称分布的差异在探测器参数α的全范围内均在统计涨落范围内。
• 基于KNN的重加权方案实现了对探测器效应的高保真度插值，可达到任意多项式阶次，包括相关项。
• 该方法实现了无需分箱的分析，允许在不重新计算系统效应的前提下高效地重新分箱和优化可观测量分布。
• 该方法计算效率高，减少了大规模蒙特卡罗生产的需求，节省了计算资源并降低了二氧化碳排放。
• 尽管测试了更复杂的分类器（如神经网络），但在超参数调优后其性能并未优于KNN，表明KNN在该问题上具有简洁性和鲁棒性。