[论文解读] Two Invertible Networks for the Matrix Element Method

Anja Butter, Theo Heimel+3 more|arXiv (Cornell University)|Sep 30, 2022

Particle physics theoretical and experimental studies参考文献 91被引用 9

一句话总结

本文提出了一种新颖的可微分框架，采用两个条件可逆神经网络（cINNs），在大型强子对撞机（LHC）物理的矩阵元方法（MEM）中实现高效、基于似然的推断。Transfer-cINN 模型化了 QCD 辐射和探测器效应，而 Unfolding-cINN 将重建事件映射回部分子级相空间，从而在无需简化假设的前提下，实现快速、数值稳定的事件级似然计算。该方法在存在真实探测器效应和初态辐射的情况下，对顶夸克 Yukawa 耦合中 CP 违反相位的敏感度与硬散射级真实情况相当，尽管在高多重态末态中，喷流组合问题限制了精度。

ABSTRACT

The matrix element method is widely considered the ultimate LHC inference tool for small event numbers. We show how a combination of two conditional generative neural networks encodes the QCD radiation and detector effects without any simplifying assumptions, while keeping the computation of likelihoods for individual events numerically efficient. We illustrate our approach for the CP-violating phase of the top Yukawa coupling in associated Higgs and single-top production. Currently, the limiting factor for the precision of our approach is jet combinatorics.

研究动机与目标

• 通过用学习到的、可逆映射替代昂贵的相空间积分，克服大型强子对撞机（LHC）上矩阵元方法（MEM）的计算瓶颈。
• 利用可微分的、条件生成的网络架构，对复杂的 QCD 辐射和探测器效应进行建模——这些效应此前需要简化假设。
• 在 MEM 框架中实现高效、数值稳定的单事件似然评估，同时保留完整的运动学信息。
• 通过模拟包含轻子道和强子道顶夸克衰变的 LHC 事件，展示该方法对顶夸克 Yukawa 耦合中 CP 违反相位的敏感度。
• 识别并解决在高多重态末态中由于喷流组合问题带来的挑战，特别是初态辐射的影响。

提出的方法

• 训练 Transfer-cINN 以模拟从部分子级事件到重建探测器级事件的正向变换，编码 QCD 辐射、探测器分辨率和重建效应。
• 训练 Unfolding-cINN 以反转 Transfer-cINN，通过将重建事件映射回部分子级构型，实现对硬散射相空间的高效积分。
• 两个网络均实现为贝叶斯条件可逆神经网络（Bayesian cINNs），以提供对似然和网络预测的不确定性估计。
• 该方法采用可微分的、端到端的框架，避免了在部分子级与重建级相空间之间转移函数中的近似。
• 该方法在通过顶- Yukawa 耦合中 CP 违反相位的关联 Higgs 产生和单顶产生过程进行基准测试，涵盖轻子道和强子道顶夸克衰变。
• 通过组合不同喷流多重态，将初态辐射（ISR）纳入基准测试，以模拟现实的喷流组合挑战。

实验结果

研究问题

• RQ1 是否可以使用两个条件可逆神经网络，在无需简化假设的前提下，对 MEM 中的探测器效应和相空间积分进行建模？
• RQ2 与理想化的硬散射级相比，该框架在多大程度上能保持对顶夸克 Yukawa 耦合中 CP 违反相位的敏感度？
• RQ3 喷流组合和初态辐射如何影响该框架中似然提取的性能和不确定性？
• RQ4 贝叶斯 cINNs 是否能为 MEM 背景下的似然提供可靠的不确定性估计，特别是在存在探测器效应的情况下？
• RQ5 该方法在保持数值效率的同时，是否能在 LHC 小事件数分析中实现高保真度的似然计算？

主要发现

• 在无初态辐射的轻子道和强子道顶夸克衰变中，该方法的似然提取精度接近硬散射级真实值。
• 在具有初态辐射的强子道顶夸克衰变中，该方法对 CP 相位 α 显示出敏感度，但当 α ≲ 10° 时敏感度降低，此时信号依赖性较弱。
• 贝叶斯不确定性估计证实，在 SM 值（α = 0°）附近存在显著的敏感度损失，与该区域运动学可观测量的有限区分能力一致。
• 在 α = 90° 时，观察到似然提取存在偏差，但可通过标准校准程序进行修正。
• 校准曲线（图 13）显示，该方法在不同事件集上保持了稳定的覆盖范围，对于 α ≳ 45°，均值和 68% 置信区间与真实值高度一致。
• 尽管在高多重态末态中喷流组合带来了挑战，该框架在将来扩展至 NLO 级似然方面展现出巨大潜力。