Precision calibration of calorimeter signals in the ATLAS experiment using an uncertainty-aware neural network

技術要約：不確実性を考慮したニューラルネットワークを用いたATLAS実験におけるカロリメータ信号の精密較正

問題提起
大型ハドロン衝突型加速器（LHC）におけるATLAS実験では、非補償型カロリメータが使用されており、ハドロンシャワーに対する信号応答が電磁シャワーに対して系統的に低くなるという特性を持つ。この補正を行う標準的な手法として「ローカル・ハドロン較正（LCW）」シーケンスがあり、これはクラスター分類、ローカルセル信号の重み付け、およびクラスター外効果の補正を含む4段階の手順を適用するものである。しかし、この標準的な手法は、単一粒子シミュレーションから導出された多次元ルックアップテーブルに依存している。このアプローチは、観測量間の相関を平均化してしまい、ビン境界での不連続性を導入するため、較正の精度を制限する可能性がある。さらに、標準的なLCWは、複雑なイベント再構成（例：欠損横運動量やジェット部分構造）において系統的な不確実性の伝播に不可欠な、クラスターごとの不確実性推定値を提供できない。

手法
本論文では、ベイズニューラルネットワーク（BNN）を利用して、トポロジカル・クラスター（位相的に接続されたカロリメラセルの集合）に対する連続的な多次元較正関数を学習する、新しい較能フレームワークを提示する。

• 学習ターゲット： ネットワークは、堆積エネルギー（$E_{dep}^{clus}$）を直接予測するのではなく、応答比 $R_{clus}^{EM} = E_{clus}^{EM} / E_{dep}^{clus}$ を学習する。ここで、$E_{clus}^{EM}$ は電磁スケールにおける信号であり、$E_{dep}^{clus}$ はクラスター内の一次粒子によって堆積された真値レベルのエネルギーである。
• 入力特徴量： ネットワークは、運動学的変数（$E_{clus}^{EM}$, ラピディティ）、信号特性（シグニフィカンス、タイミング、コンパクトネス）、シャワー形状パラメータ（縦方向および横方向の分散）、および環境変数（パイロット増幅の指標である $N_{PV}$ および $\mu$）を含む15個の観測量からなる特徴量セット（$X_{clus}$）を利用する。
• ネットワークアーキテクチャ：
  • ベイズニューラルネットワーク（BNN）： ネットワークの重みは固定値ではなく、確率分布として扱われる。推論時、ネットワークパラメータは $N=50$ 回サンプリングされ、アンサンブル予測を生成する。これにより、モデルは中心となる較正値だけでなく、統計的および系統的な不確実性の成分も出力できる。損失関数は、単純なガウス尤度からの偏差を許容するためにガウス混合モデル（3モード）を採用しており、正則化のためのKullback-Leiblerダイバージェンス項も含まれている。
  • リパルシブ・アンサンブル（RE）： BNNの不確実性予測を検証するために、代替モデルとしてリパルシブ・アンサンブルを用いた。この手法は、訓練中にネットワークメンバー間に反発力を導入することで、同一構成のネットワークのアンサンブルが損失ランドスケープを異なる形で探索するように強制するものである。
• データセット： モデルは、$\sqrt{s} = 13$ TeV（Run 2）の陽子・陽子衝突のフルモンテカルロシミュレーション（マルチジェット最終状態を使用）を用いて訓練およびテストされた。データセットには約1,450万個のトポロジカル・クラスターが含まれており、その60%が訓練に使用された。

主な結果

• 較正性能： BNN由来の較正は、標準的なLCWおよび以前に研究されたディープニューラルネットワーク（DNN）のアプローチと比較して、優れた性能を示した。
  • 線形性： BNNは、堆積エネルギー $E_{dep}^{clus} \gtrsim 500$ MeV において、線形性からの中央値偏差 $|\langle \Delta E \rangle_{med}| \lesssim 2\%$ を達成した。これは、同様の精度に達するために $E_{dep}^{clus} \gtrsim 1$ GeV を必要とするDNNと比較して、低エネルギー領域における大幅な改善を意味する。
  • 分解能： 相対的な局所エネルギー分解能は、評価されたすべてのパイロット条件下（$N_{PV}$ および $\mu$）において、標準的なLCWおよびEMスケールの両方よりも大幅に改善されている。BNNは、特に高いパイロットレベルにおいて、DNNと比較してパイロット活動に対する平坦な依存性を示す。
• 不確実性予測：
  • BNNは、各トポロジカル・クラスターに対する不確実性を予測することに成功した。これらは統計的成分（より多くのデータで減少可能）と系統的成分（モデルまたはデータの限界に起因するもの）に分解される。
  • BNNとREモデルの比較では、不確実性予測において高い相関関係が見られ（約10%以内の合致）、これは予測された不確実性が、特定のネットワークアーキテクチャのアーティファクトではなく、真のデータ限界や検出器信号の特性を反映していることを示唆している。
  • 複雑な遷移領域（例：Tileギャップ・シンチレータ）や、パイロットによって支配されているトポロジカル・クラスターにおいて、大きな予測不確実性が観察された。これは、信号と真値の関係が決定論的ではない領域を正しく特定していることを示している。

意義および主張
本論文は、ベイズニューラルネットワークの適用が、精度と連続性の両面において、標準的なルックアップテーブル法を凌駕する、ATLASカロリメータ信号を較正するための堅牢な手法を提供することを主張している。滑らかな多次元関数を学習することにより、BNNは、ビン化されたアプローチで失われる観測量間の相関を保持する。

極めて重要な点として、本研究は、不確実性を考慮した機械学習が、較正の系統的な不確達性に寄与するものとして解釈可能な、クラスターごとの不確実性推定値を提供できることを実証している。BNNと独立したリパルシブ・アンサンブル手法との一致は、これらの不確実性予測の信頼性を検証するものである。著者らは、これらの不確実性が、ソフトなハドロン反跳やジェット部分構造のような複雑な最終状態に対する「ボトムアップ」較正スキームにおける不確実性の伝播を改善し、それによってLHC測定の全体的な精度を高めるために利用できると考えている。なお、本研究はモンテカルロシミュレーション内での手法の検証に焦点を当てており、実験データへの適用には、特徴量の相関が適切にモデル化されていることを確認するためのさらなる性能研究が必要であると述べている。