Encoding off-shell effects in top pair production in Direct Diffusion networks

技術要約：Direct Diffusion Networkにおけるトップ対生成のオフシェル効果のエンコーディング

問題提起
大型ハドロン衝突型加速器（LHC）におけるトップクォーク対（$t\bar{t}$）生成の精密な理論シミュレーションは、実験測定値と理論を対比させる上で不可欠である。しかし、シミュレーションをオンシェルの運動学（粒子が固定質量を持つと近似すること）に限定すると、バイアスが生じる可能性がある。完全なオフシェルの計算は高い精度を提供するものの、大規模なイベント生成においては計算コストが極めて高い。先行研究では、ニューラルネットワークのサロゲート（代理モデル）を用いて、LO（次数の低い）におけるオンシェルのイベントをオフシェルの分布へと写像する手法を確立した。本論文では、実放射および追加の最終状態粒子が含まれるため、位相空間が著しく複雑化するNLO（次数の高い）QCDにおけるこの手法の拡張という課題に取り組む。

手法
提案されるアプローチは、2段階のニューラルネットワーク・パイプラインを利用して、「オンシェル」イベント・サンプル（近似的なオフシェル効果）を「オフシェル」イベント・サンプル（完全なオフシェル計算）へと変換するものである。

1. データ準備と次元削減:

   • ジェネレーター: オンシェル・イベントにはHVQおよびST-WTCH-DR（それぞれ二重共鳴および単一共鳴）を使用し、完全なオフシェル・イベントにはBB4Lジェネレーターを使用する。
   • 粒子数カウント: 入力とターゲットの次元数を一致させるため、HVQと比較して粒子が一つ少ないST-WTCH-DRジェネレーターに対し、PYTHIAシャワー近似を用いて単一のグルオンまたは軽クォークを補完する。
   • NLO放射の取り扱い: NLOでは、オフシェル・イベントはLOと比較して追加の粒子（最大2つ）を含む。本研究は生成過程における実放射のみに焦点を当てているため、次元数をオンシェル入力に合わせるために、崩壊過程（$j'$）で付着したグルオンをオフシェル・ターゲット・イベントから除去する。
   • 運動学の保存: 崩壊放射を除去した後も、それぞれのトップ/反トップ粒子の静止系における正しい運動学を保持するため、BB4Lから提供されたBorn運動学を用いてイベントをブーストする。
   • 特徴量エンジニアリング: 運動量成分を $(E, p_x, p_y, p_z)$ から $(p_T, \phi, \eta, m)$ へ変換する。方位角は $\phi_{\bar{\nu}} = 0$ となるように回転させ、運動量保存の制約によって総次元数を28から18に削減する。

2. ベイズ直接拡散ネットワーク (DiDi):

   • アーキテクチャ: 条件付きフロー・マッチング・ネットワークとして実装されたベイズ直接拡散（Direct Diffusion）ネットワークを用い、オンシェルの位相空間をオフシェルの位相空間へと写像する。標準的なフィードフォワード・ネットワークとは異なり、重みとバイアスは学習可能な平均と標準偏差を持つ正規分布として表現される。
   • 学習メカニズム: ネットワークは、ランダムにサンプリングされたオンシェル（$x_1$）とオフシェル（$x_0$）のイベントを結ぶ線形軌道に沿った速度場 $v_\theta$ を学習する。予測された速度ベクトルと真の速度ベクトル $(x_1 - x_0)$ との間の平均二乗誤差を最小化する。
   • 不確実性の定量化: 学習された重みの分布からサンプリングすることで、ネットワークは各入力に対する変換されたイベントのセットを生成する。結果として得られる運動学の分散は、予測の不確実性の推定値を提供する。
   • 入力の構成: 学習バッチには、変換の質を向上させるために、BB4Lサンプルにおける割合を反映した、二重共鳴 $t\bar{t}$ イベントと単一共鳴単一トップ・イベント（反トップおよびトップに対して約2.75%）の混合が含まれる。

3. 分類器による再重み付け:

   • 二次的な分類器ネットワークを訓練し、Direct Diffusionによって生成されたイベントと、真のオフシェル・ターゲット・イベントを区別する。
   • 分類器の出力 $C(x)$ は、再重み付け係数 $w(x) = C(x) / (1 - C(x))$ を計算するために使用される。
   • このステップにより、生成されたイベントの密度をターゲットとなるオフシェル分布により良く適合させる。著者らは、初期のDiDi変換なしでは、生のオンシェル・データにおいて広範な位相空間領域が未充填であるため、このステップは効果的ではないと述べている。

主な貢献と結果

• NLOへの拡張: 本論文は、Direct Diffusionアプローチが高次元のNLO位相空間においても有効であることを示しており、これは以前に確立されたLOの結果を大きく超える重要な進展である。
• 精度: 組み合わせた手法（DiDi + 再重み付け）は、ターゲットとなるBB4L分布との偏差がわずか数パーセントという、高精度なオフシェル・イベント分布を生成する。位相空間の広範な領域において、偏差は1%を下回る。
• 観測量: 再構成された反トップ質量（$m_{\bar{b}l\bar{\nu}}$）やレプトン-bジェット質量（$m_{lb}$）などの主要な観測量の分布を、変換によって正確に再現している。入力サンプルに単一共鳴イベントを含めることが、LOでは疎になる可能性のある位相空間領域を埋めるために極めて重要であることが示されている。
• ベイズ実装: ベイズ・ニューラルネットワークの使用により、予測の不確実性の推定が可能となった。これは、前回のLO実装にはなかった機能である。

意義と限界
本論文は、この研究が完全なNLOオフシェル・シミュレーション・フレームワークへの「第一歩」であると主張している。その意義は、ニューラルネットワークのサロゲートが、生成過程における実放射を含むNLO運動学の複雑性を扱うことができることを証明した点にある。

しかし、著者らは現在の範囲と限界についても明示している。

• 不完全なNLO: 本研究は生成過程における実放射のみを扱っている。次元数を維持するために崩壊過程（$j'$）の放射は除去されており、将来的に機械学習の手法を用いずにこれらを再付着させる必要がある。
• 今後の課題: 完全なNLOオフシェル・イベントの生成には、崩壊放射の再付着が必要である。また、分類器ネットワークはまだベイズ化されておらず、両方のネットワークを用いた完全な不確実性解析は今後の出版物に取っておかれている。
• 検証: シャワーされたイベントの比較など、詳細なテストは後続の論文で予定されている。

要約すると、本研究は、Direct DiffusionネットワークがNLOにおけるトップ対生成のオフシェル効果を効率的にエンコードできるという強力な概念実証を提供しており、ターゲット分布への高い忠実度を維持しながら、完全なオフシェル計算に代わる計算上実行可能な選択肢を提示している。