Résumé technique : Sur la focalisation de la puissance statistique pour les recherches et les mesures en physique des particules

1. Énoncé du problème

Les expériences de physique des particules reposent largement sur le test du rapport de vraisemblance généralisé (GLRT) pour la recherche de nouveaux phénomènes ainsi que pour la mesure de paramètres connus. Ces analyses impliquent généralement des tests d'hypothèses composites (par exemple, tester une hypothèse nulle $H_0: \mu = \mu_0$ contre une hypothèse alternative composite $H_1: \mu \neq \mu_0$).

Bien que le lemme de Neyman-Pearson garantisse que la statistique du rapport de vraisemblance (LRS) est optimale pour les tests simples contre simples, il ne garantit pas l'optimalité pour les tests composites. Dans des contextes généraux, aucune statistique de test unique n'est simultanément la plus puissante pour toutes les valeurs possibles de l'espace des paramètres alternatifs. Par conséquent, le choix de la LRS dicte implicitement la manière dont la puissance statistique est distribuée dans l'espace des paramètres, ce qui entraîne souvent une sensibilité sous-optimale dans des régions d'intérêt spécifiques. De plus, la construction d'intervalles de confiance valides pour ces modèles complexes nécessite souvent des expériences de Monte-Carlo (MC) pseudo-aléatoires coûteuses en calcul, particulièrement lorsque les approximations asymptotiques (comme le théorème de Wilks) échouent en raison de petits échantillons ou d'effets de bord.

2. Méthodologie

Les auteurs proposent une Statistique de Test Focalisée (FTS) comme remplacement direct de la LRS standard. La FTS est définie par :

$$T_f(D; \mu_0) = -2 \log \left( \frac{p(D; \mu_0)}{\int_{\Theta} p(D; \mu) f(\mu) d\mu} \right)$$

Où :

• $p(D; \mu)$ est la vraisemblance des données données le paramètre $\mu$.
• $f(\mu)$ est une fonction de focalisation (une fonction de pondération) définie par l'analyste, et non par les données. Cette fonction représente des régions d'intérêt motivées par la physique (par exemple, une gaussienne centrée sur une prédiction du Modèle Standard ou une hypothèse nulle).
• Le dénominateur représente une moyenne pondérée de la vraisemblance sur l'espace des hypothèses alternatives.

Caractéristiques méthodologiques clés :

• Validité fréquentiste : Bien que la FTS possède des racines bayésiennes (ressemblant à un facteur de Bayes), les auteurs l'emploient strictement dans un cadre fréquentiste. Les intervalles de confiance résultants sont construits en inversant les tests d'hypothèses.
• Optimalité : Il est prouvé que la FTS minimise la longueur attendue de l'intervalle de confiance par rapport à la distribution marginale induite par la fonction de focalisation $f(\mu)$, tout en maintenant une couverture exacte ($1-\alpha$) pour chaque $\mu \in \Theta$.
• Biais vs Puissance : La méthode introduit intentionnellement une forme de biais technique (une puissance réduite dans les régions où $f(\mu)$ est faible) afin de maximiser la puissance là où $f(\mu)$ est élevé. Cela se distingue de la méthode CLs ; la FTS garantit une couverture correcte sur l'ensemble de l'espace des paramètres.
• Calibration efficace : Pour éviter le coût computationnel des méthodes de Monte-Carlo traditionnelles pour déterminer les valeurs critiques $C_{\mu_0}$, les auteurs utilisent la régression quantile (QR) via l'apprentissage automatique. Cela permet l'estimation rapide des valeurs critiques en tant que fonction de $\mu_0$, permettant la construction d'intervalles de confiance valides même dans les régimes de faibles échantillons où les asymptotes échouent.

3. Principales contributions

1. Introduction de la FTS : Une nouvelle statistique de test qui permet aux analystes de « focaliser » la puissance statistique sur des régions spécifiques de l'espace des paramètres motivées par la physique, sans sacrifier la validité des intervalles de confiance.
2. Garanties théoriques : Preuve que les intervalles FTS sont les plus courts parmi tous les intervalles valides lorsqu'ils sont moyennés sur la distribution induite par la fonction de focalisation, tout en maintenant une couverture fréquentiste exacte.
3. Cadre computationnel : Une démonstration de l'utilisation de l'apprentissage automatique (régression quantile) pour calibrer efficacement les valeurs critiques pour la LRS et la FTS, réduisant ainsi le besoin de simulations Monte-Carlo massives.
4. Validation empirique : Application de la méthode à deux scénarios distincts de haute énergie : une mesure du couplage du boson de Higgs et une recherche de matière noire (WIMP).

4. Résultats

Les auteurs ont évalué la FTS par rapport à la LRS standard en utilisant des ensembles de données simulés provenant de l'expérience ATLAS (Higgs $\to \tau\tau$) et un ensemble de données inspiré de l'expérience de matière noire LZ.

Mesure du couplage du Higgs

• Configuration : Mesure de la force du signal $\mu$ du couplage Higgs aux taus, avec la prédiction du Modèle Standard à $\mu=1$.
• Performance :
  • En utilisant une focalisation large ($s=2.4$) centrée sur $\mu=1$, la FTS a produit des intervalles de confiance à 68 % 13 % plus courts que la LRS lorsque le signal réel était $\mu=1$.
  • En utilisant une focalisation étroite ($s=1.2$), les intervalles étaient 21 % plus courts que la LRS à $\mu=1$.
  • L'amélioration est restée robuste même lorsque la force du signal réel s'écartait modestement du centre de la focalisation.
• Observables : Des gains ont été observés en utilisant à la fois la masse reconstruite du Higgs et les observables de masse visible.

Recherche de Matière Noire (WIMP)

• Configuration : Recherche de WIMPs où l'hypothèse nulle est $\mu=0$ (pas de signal). La focalisation était centrée sur $\mu=0$.
• Performance :
  • Lorsqu'aucun signal n'existe ($\mu^*=0$), la FTS avec une focalisation large a produit des intervalles de confiance à 68 % 47 % plus courts que la LRS.
  • Avec une focalisation étroite, les intervalles étaient 65 % plus courts.
  • Lorsqu'un signal existe ($\mu^*=1$), les intervalles FTS sont restés nettement plus courts (45 % plus courts avec une focalisation large, 60 % avec une focalisation étroite).
• Fixation de limites : La FTS a fourni des bornes supérieures plus serrées lorsqu'aucun signal n'était présent et des bornes inférieures plus élevées lorsqu'un signal était présent, améliorant ainsi l'efficacité pour exclure ou découvrir des signaux avec moins de données.

Efficacité Computationnelle

L'utilisation de la régression quantile pour estimer les valeurs critiques a considérablement réduit le budget de simulation requis. Avec un budget faible de 9 000 pseudo-expériences, la QR a atteint une erreur quadratique moyenne (MSE) comparable aux méthodes MC utilisant 1,35 million (pour la LRS) et 30 000 (pour la FTS) pseudo-expériences.

5. Signification et affirmations

L'article affirme que la FTS offre un moyen rigoureux d'améliorer la sensibilité des expériences de physique des particules, particulièrement dans les régimes caractérisés par de faibles rapports signal sur bruit et de petits échantillons (ex: recherche de matière noire, oscillations de neutrinos et désintégrations rares du Higgs).

• Flexibilité : La méthode permet aux physiciens d'incorporer des connaissances préalables (ex: prédictions théoriques ou mesures précédentes) dans le test statistique via la fonction de focalisation, sans compromettre la couverture fréquentiste des résultats.
• Généralité : L'approche est applicable à toute analyse de physique des particules existante en tant que remplacement « drop-in » de la LRS et s'étend aux analyses multidimensionnelles ou non binaires où les constructions de ceintures MC traditionnelles sont computationnellement infaisables.
• Note de mise en garde : Les auteurs soulignent que bien que la FTS introduise un biais technique pour optimiser la puissance, cela ne revient pas à une inférence bayésienne ou à une couverture invalide. Ils précisent également que des ensembles de confiance vides (un problème connu en HEP) peuvent toujours survenir et suggèrent de rapporter des estimations ponctuelles singleton ou des sensibilités estimées dans de tels cas, plutôt que d'interpréter les ensembles vides comme des exclusions significatives.

Les auteurs concluent qu'en focalisant la puissance statistique sur les régions d'intérêt physique, la FTS peut améliorer le potentiel de découverte et la précision des mesures phares de tout le domaine.