Optimal Transport Event Representation for Anomaly Detection

Cet article présente une représentation d'événements basée sur le transport optimal qui, en tant que méthode physique intermédiaire, double presque l'amélioration de la signification pour la détection d'anomalies faiblement supervisées sur les données de l'Olympiade du LHC par rapport aux observables standard.

L'essentiel

Le Contexte : Chasser l'aiguille dans la botte de foin

Imaginez que vous êtes un détective au CERN (le grand laboratoire de physique des particules). Votre travail consiste à regarder des milliards de collisions de particules (comme des explosions de micro-ondes) pour trouver un signal très rare : une nouvelle particule ou une "nouvelle physique".

Le problème ? La grande majorité de ces collisions sont du "bruit de fond" (des événements banals et prévisibles). Trouver une anomalie, c'est comme essayer de repérer un seul chat orange dans une foule de millions de chats gris.

Les méthodes traditionnelles utilisent des "observables" (des mesures simples comme la masse ou la forme des jets de particules) pour trier les données. C'est un peu comme chercher le chat orange en regardant seulement la couleur de ses oreilles. Ça marche parfois, mais si le chat a des oreilles grises, vous le manquez.

La Nouvelle Idée : La "Carte de Transport" (Optimal Transport)

Les auteurs de ce papier proposent une nouvelle façon de voir les événements. Au lieu de regarder juste quelques mesures isolées, ils utilisent une théorie mathématique appelée Transport Optimal.

L'analogie du déménagement :
Imaginez que chaque collision de particules est un appartement rempli de meubles (les particules).

• La méthode classique : Elle regarde juste le poids total du déménagement ou le nombre de chaises.
• La méthode du Transport Optimal : Elle se demande : "Quelle est la façon la plus efficace et la moins coûteuse de déplacer tous les meubles de l'appartement A pour qu'ils ressemblent exactement à l'appartement B ?"

Cette méthode calcule la "distance" entre deux événements en tenant compte de la géométrie complète : où sont les particules, comment elles sont réparties, et comment elles bougent. C'est une carte très détaillée de la structure de l'événement, pas juste une liste de chiffres.

Le Tour de Magie : Simplifier sans perdre l'essentiel

Le problème avec cette carte détaillée, c'est qu'elle est énorme et complexe à calculer pour un ordinateur. C'est comme avoir une photo en 4K de chaque grain de poussière dans la pièce.

Les chercheurs ont trouvé un astuce géniale : ils utilisent une version "linéarisée" de cette carte.

• L'analogie de la silhouette : Au lieu de garder chaque grain de poussière, ils projettent l'ombre de l'événement sur un mur. Cette ombre (qu'ils appellent une représentation intermédiaire) conserve la forme globale et la structure, mais elle est beaucoup plus simple à manipuler.

Ils prennent ensuite cette "ombre" mathématique et la réduisent à quelques chiffres clés (comme les 3 ou 5 premières lignes d'un résumé).

Les Résultats : Gagner la course

Ils ont testé cette méthode sur des données simulées (les jeux de données "LHC Olympics"). Voici ce qu'ils ont découvert :

1. Quand le signal est très faible (le cas difficile) :
   Quand il y a très peu de "chats oranges" (moins de 0,5 % de la foule), les méthodes classiques et les super-ordinateurs (les modèles d'intelligence artificielle "fondation") ont du mal. Ils se perdent dans le bruit.

   • Leur méthode : En ajoutant juste quelques chiffres issus de leur "carte de transport" aux mesures classiques, ils ont doublé l'efficacité de la détection. C'est comme si, soudainement, les oreilles du chat orange brillaient dans le noir.

2. Pourquoi ça marche ?
   Parce que cette méthode est basée sur la physique réelle (la géométrie des collisions), elle est plus intelligente que de simplement laisser l'ordinateur apprendre par cœur. Elle apporte un "bon sens physique" au détecteur.

3. Le compromis :
   Si le signal est très fort (beaucoup de chats oranges), les méthodes classiques (qui regardent tout le détail brut) reprennent le dessus. Mais dans la zone critique où l'on cherche vraiment de nouvelles découvertes (le signal faible), leur méthode est imbattable.

En Résumé

Ce papier dit essentiellement : "Ne regardez pas seulement les étiquettes sur les colis, regardez comment les colis sont empilés."

En utilisant une mathématique élégante (le transport optimal) pour créer une représentation intermédiaire des données, les chercheurs ont créé un outil qui permet de repérer des anomalies invisibles pour les méthodes actuelles, surtout quand ces anomalies sont très rares. C'est un pont parfait entre les méthodes manuelles simples et les intelligences artificielles complexes, offrant le meilleur des deux mondes pour la physique des particules.

Résumé technique

1. Problématique et Contexte

La recherche de nouvelle physique au-delà du Modèle Standard au Grand Collisionneur de Hadrons (LHC) fait face à un défi majeur : les recherches ciblées peinent à découvrir des signaux inattendus. La détection d'anomalies (AD) basée sur l'apprentissage automatique (ML) offre une alternative prometteuse, en particulier via le paradigme de la faible supervision (Weak Supervision - WS). Dans ce cadre, les classificateurs sont entraînés à distinguer des données riches en signaux de références purement de bruit de fond, sans étiquettes de niveau événementiel.

Cependant, l'efficacité de ces méthodes dépend crucialement de la représentation des événements :

• Les observables de haut niveau (masse de jet, rapports de sous-structure $n$-subjettiness) sont interprétables mais peuvent manquer de sensibilité si les caractéristiques du signal ne sont pas capturées.
• Les approches end-to-end sur les quadri-momenta de bas niveau (phase complète) sont puissantes mais nécessitent d'énormes quantités de données et des modèles de fondation (foundation models) coûteux. Elles échouent souvent dans les régimes à très faible signal (faible rapport Signal/Bruit, S/B), là où la détection d'anomalies est la plus critique.

L'objectif de cet article est de combler ce fossé en proposant une représentation intermédiaire qui exploite la cinématique complète tout en restant efficace et physiquement fondée, sans nécessiter de modèles massifs.

2. Méthodologie : Transport Optimal Linéarisé (LinW2)

Les auteurs introduisent le Transport Optimal (OT) comme une représentation intermédiaire des événements de collision.

• Concept de base : Le transport optimal définit une distance entre deux distributions de probabilité (ici, les événements) en calculant le coût minimal pour transformer l'une en l'autre. Ils utilisent la métrique de Wasserstein 2 ($W_2$), qui est sûre infrarouge et collinéaire (IRC-safe).
• Linéarisation (LinW2) : Au lieu de calculer la distance $W_2$ entre toutes les paires d'événements (coûteux), les auteurs utilisent une méthode de linéarisation. Chaque événement est projeté dans un espace tangent à un événement de référence fixe (un jet de référence uniforme sur une grille $10 \times 10$).
  • Cela transforme la distance non-linéaire en un vecteur de caractéristiques (embedding) linéaire.
  • La représentation résultante est un vecteur euclidien de dimension 400 (pour deux jets principaux, chaque jet étant représenté par 200 dimensions : 100 particules de référence $\times$ 2 coordonnées $(y, \phi)$).
• Extraction de caractéristiques : Pour réduire la dimensionnalité, une Analyse en Composantes Principales (PCA) est appliquée sur ces embeddings OT. Les auteurs montrent que les premières composantes captent l'essentiel de la variance structurelle des événements.
• Intégration : Ces caractéristiques OT sont combinées avec les observables de haut niveau standards (masse des jets $m_J$ et rapports de sous-structure $\tau_{21}, \tau_{32}$) pour alimenter un classificateur.

3. Contributions Clés

1. Changement conceptuel : Passage de l'utilisation de l'OT uniquement comme une métrique de distance entre événements à son utilisation comme une représentation d'événement structurée et linéarisée.
2. Efficacité dans le régime à faible signal : Démonstration que cette représentation intermédiaire surpasse à la fois les observables traditionnelles et les modèles de fondation end-to-end lorsque le signal est rare (S/B < 1%).
3. Simplicité et robustesse : La méthode ne nécessite pas d'entraînement de modèles de fondation massifs. Elle fonctionne bien avec des classificateurs simples comme les Forêts Aléatoires (Boosted Decision Trees - BDT) et nécessite très peu de caractéristiques OT (3 à 5 composantes PCA) pour atteindre des performances optimales.
4. Complémentarité : Prouve que les caractéristiques OT capturent des informations morphologiques complémentaires aux observables de sous-structure traditionnels ($n$-subjettiness), même lorsque ces derniers sont poussés à des ordres élevés.

4. Résultats Expérimentaux

Les tests ont été réalisés sur les jeux de données LHC Olympics 2020 (R&D1 et R&D2), simulant des désintégrations résonantes $W' \to XY$ avec un bruit de fond QCD.

• Performance en faible signal (S/B < 1%) :

  • L'ajout de seulement 3 à 5 caractéristiques OT aux observables standards améliore considérablement la Signification Statistique (SI).
  • Pour un taux d'injection de signal de 0,5 %, la méthode OT-augmentée atteint une SI maximale > 25, soit plus de 65 % de mieux que les observables standards et plus d'un ordre de grandeur par rapport aux méthodes de phase complète (Full PS) et au modèle de fondation OmniLearn.
  • Les méthodes end-to-end (Full PS) et les modèles de fondation souffrent de statistiques de signal insuffisantes dans ce régime, tandis que l'OT reste stable.

• Performance en fort signal (S/B ~ 10%) :

  • Dans ce régime, les approches de bas niveau (Full PS) et les modèles de fondation deviennent supérieurs (SI ~ 50), car ils peuvent exploiter toute l'information brute.
  • La méthode OT (avec 100 composantes) reste très compétente (SI ~ 33-35), surpassant largement les observables standards, mais ne bat pas les méthodes end-to-end. Cela suggère que l'OT encode la majeure partie de l'information géométrique, mais peut manquer certains aspects non-IRC-sûrs présents dans les données brutes.

• Ablation et Analyse :

  • Les caractéristiques OT seules ne suffisent pas ; elles doivent être combinées avec la masse du jet.
  • L'ajout de caractéristiques OT à des ensembles de caractéristiques très riches (incluant des sous-structures d'ordre élevé) apporte encore des gains, confirmant que l'OT capture des informations non redondantes.

5. Signification et Perspectives

Ce travail souligne l'importance cruciale des représentations physiquement informées (physics-aware representations) dans l'apprentissage automatique pour la physique des hautes énergies.

• Pont entre ingénierie de caractéristiques et Deep Learning : L'OT sert de pont efficace entre les observables manuellement conçus et les modèles end-to-end complexes, offrant une sensibilité supérieure dans le régime critique où les données sont rares.
• Robustesse : Étant construit sur des principes physiques (sûreté IRC), la méthode est potentiellement plus robuste aux variations de simulation et aux données réelles que les approches purement data-driven.
• Futur : Les auteurs suggèrent que ce cadre peut être étendu à des topologies d'événements plus complexes (rayonnement quasi-isotrope, vallées cachées) et à la détection d'anomalies non résonantes. De plus, cela ouvre la voie à une compréhension unifiée de la géométrie des collisions, où des observables comme le $n$-subjettiness pourraient être dérivés directement de la formulation OT.

En résumé, l'article démontre que l'intégration intelligente du transport optimal dans les pipelines d'analyse permet de repousser les limites de la détection d'anomalies résonantes, en particulier là où les méthodes actuelles échouent : la recherche de signaux extrêmement ténus.