Machine Learning-based Unfolding for Cross Section Measurements in the Presence of Nuisance Parameters

Resumen Técnico: Perfil de OMNIFOLD para el Desplegado con Parámetros de Nuisance

Planteamiento del Problema
En la física de partículas y nuclear, el "desplegado" (unfolding) es el problema inverso estadístico de recuperar la distribución subyacente real de una cantidad física (verdad a nivel de partícula, $x$) a partir de observaciones distorsionadas por efectos del detector (datos a nivel de detector, $y$). Esta relación se modela mediante una ecuación integral de Fredholm de la primera clase: $p_Y(y) = \int k(y,x)p_X(x)dx$, donde $k(y,x)$ es el núcleo de respuesta.

Si bien los métodos modernos de aprendizaje automático (ML), particularmente el algoritmo OMNIFOLD, han abordado con éxito el desplegado de alta dimensión utilizando clasificadores para estimar las razones de densidad dentro de un marco de Expectación-Maximización (EM), estos dependen de una suposición crítica: que el núcleo de respuesta del detector utilizado en la simulación ($q(y|x)$) coincide perfectamente con la respuesta real ($p(y|x)$). En la práctica, las simulaciones son solo aproximadamente correctas y dependen de "parámetros de nuisance" ($\theta$) que codifican incertidumbres sistemáticas (por ejemplo, la resolución de la energía de un jet). Si $\theta$ está mal especificado (es decir, la simulación asume $\theta=1$ mientras que la realidad es $\theta \neq 1$), los métodos de desplegado de ML estándar producen estimaciones sesgadas de la distribución real $p_X$. Los enfoques tradicionales para manejar esto implican repetir las mediciones bajo modelos alternativos, lo cual es computacionalmente costoso y a menudo conservador.

Metodología: Profile OMNIFOLD (POF)
Los autores proponen Profile OMNIFOLD (POF), una extensión del algoritmo OMNIFOLD que estima conjuntamente la función de reponderación a nivel de partícula y los parámetros de nuisance. POF trata al parámetro de nuisance $\theta$ como un elemento adicional desconocido en la función objetivo de EM.

El algoritmo opera iterativamente para maximizar la log-verosimilitud de la población:
$$\ell(\nu, \theta) = \int p(y) \log p(y|\nu, \theta) dy + \log p_0(\theta)$$
donde $\nu(x)$ es la función de reponderación para la densidad de Monte Carlo (MC) a nivel de partícula, y $p_0(\theta)$ es una distribución previa (o término de verosimilitud) de mediciones auxiliares.

El algoritmo POF consta de tres pasos por cada iteración $k$:

1. Reponderación a nivel de detector: Un clasificador estima la razón de densidad $r^{(k)}(y) = p(y) / \tilde{q}^{(k)}(y)$, donde $\tilde{q}^{(k)}(y)$ es la densidad de Monte Carlo a nivel de detector reponderada tanto por los pesos actuales de partícula $\nu^{(k)}$ como por el parámetro de nuisance actual $\theta^{(k)}$ mediante una razón de núcleo de respuesta $W(y,x,\theta) = p(y|x,\theta)/q(y|x)$.
2. Reponderación a nivel de partícula: La razón $r^{(k)}(y)$ se "retrocede" al nivel de partícula para actualizar los pesos $\nu^{(k+1)}(x)$, incorporando la razón del núcleo $W$.
3. Actualización del parámetro de nuisance: El parámetro $\theta$ se actualiza a $\theta^{(k+1)}$ maximizando un componente específico de la función Q ($Q_2$) con respecto a $\theta$, manteniendo $\nu^{(k)}$ fijo.

Para implementar el Paso 3, el algoritmo requiere la función $W(y,x,\theta)$. El artículo detalla un método (basado en Chan y Nachman, 2023) para estimar $W$ utilizando dos clasificadores auxiliares entrenados con datos sintéticos generados con variaciones de $\theta$.

Contribuciones Clave

• Extensión Algorítmica: La introducción de POF, que integra el perfilado de parámetros de nuisance directamente en el marco de EM basado en clasificadores. A diferencia de los métodos no agrupados previos que asumen un modelo hacia adelante fijo, POF actualiza simultáneamente el espectro y los parámetros sistemáticos.
• Diagnóstico de Convergencia: Los autores proponen un estadístico de bondad de ajuste basado en la precisión del clasificador del Paso 1. Dado que una solución convergida implica que la distribución de Monte Carlo reponderada coincide con los datos experimentales, el clasificador debería ser incapaz de distinguirlos (precisión $\approx 0.5$). Este estadístico se utiliza para seleccionar la mejor solución entre múltiples ejecuciones con diferentes inicializaciones, abordando la no concavidad de la superficie de verosimilitud cuando hay parámetros de nuisance presentes.
• Manejo de Altas Dimensiones: El método retiene la capacidad de OMNIFOLD para manejar datos de alta dimensión sin agrupación (binning), evitando la "maldición de la dimensionalidad" asociada con el desplegado tradicional por bins.

Resultados
El artículo valida POF utilizando dos casos de estudio:

1. Ejemplo Gaussiano: Una simulación gaussiana controlada en 1D y 2D donde el verdadero parámetro de nuisance $\theta$ (que controla la varianza de la dispersión o smearing) difiere de la simulación.
   • Hallazgos: El OMNIFOLD estándar (asumiendo $\theta=1$) produjo distribuciones a nivel de partícula significativamente sesgadas. POF recuperó con éxito la distribución real y estimó $\theta$ cerca del valor real (por ejemplo, $\hat{\theta}=1.48$ frente al real $1.50$). El algoritmo convergió a la solución correcta independientemente de la inicialización cuando se utilizó el estadístico de bondad de ajuste para la selección.
2. Simulación de Datos Abiertos de CMS: Una simulación realista de los espectros de momento transversal de jets del experimento CMS en el LHC.
   • Configuración: Los "datos" fueron generados con una resolución de energía de jet un 70% mayor que la de la simulación ($\theta_{true}=1.7$ frente a $\theta_{sim}=1.0$).
   • Hallazgos: OMNIFOLD falló en recuperar el espectro real a nivel de partícula debido al núcleo mal especificado. POF recuperó el espectro real de forma cercana y estimó $\hat{\theta}=1.62$. El estudio destacó que, si bien POF es robusto, la elección de la inicialización es importante; las inicializaciones deficientes podrían conducir a óptimos locales, pero el propuesto estadístico de bondad de ajuste identificó eficazmente la solución superior.

Significancia
El artículo argumenta que Profile OMNIFOLD aborda una limitación fundamental en el desplegado basado en aprendizaje automático actual: la suposición de un modelo hacia adelante perfectamente especificado. Al considerar la incertidumbre del modelo hacia adelante (parámetros de nuisance) durante el procedimiento de desplegado, POF reduce el sesgo en las distribuciones recuperadas a nivel de partícula. Los autores posicionan esto como un camino práctico para aplicar el desplegado basado en ML de manera más robusta en la física de altas energías, donde las respuestas de los detectores son complejas y solo se conocen implícitamente a través de simulaciones. El método preserva la eficiencia computacional y las capacidades de alta dimensión de OMNIFOLD, extendiendo su aplicabilidad a escenarios con incertidumbres sistemáticas.

Limitaciones y Trabajo Futuro
Los autores señalan que POF no posee una garantía teórica de convergencia al máximo global debido a la superficie de verosimilitud no cóncava introducida por los parámetros de nuisance. Enfatizan que la estimación del parámetro de nuisance es sensible a la calidad de la estimación de la función auxiliar $W$. Además, la implementación actual no proporciona cuantificación de la incertidumbre para la distribución desplegada o para los parámetros de nuisance, lo cual sigue siendo un problema abierto para investigaciones futuras.