Implementation of full and simplified likelihoods in CheckMATE

本論文では、ATLAS および CMS の 13 件の探索を対象に、多ビン信号領域に対する簡略化および完全な尤度モデルを CheckMATE に実装し、統計的組み合わせによる探索感度の向上と直交する探索チャネルの統合を可能にしたことを報告しています。

要約

この論文は、素粒子物理学の分野、特に「新しい物理現象（標準模型を超えた何か）」を探すための**「新しい道具箱」**のアップデートについて書かれています。

タイトルにある「CheckMATE」というのは、実験結果をシミュレーションと照らし合わせて「勝つ（Checkmate）」かどうかを判定するソフトウェアの名前です。この論文は、その CheckMATE が**「より賢く、より強力な判定方法」**を手に入れたことを報告しています。

以下に、専門用語を避けて、わかりやすい例え話で解説します。

1. 背景：巨大な迷路と「正解」の探し方

大型ハドロン衝突型加速器（LHC）という巨大な装置で、素粒子をぶつけています。そこには「標準模型」という既存の地図がありますが、研究者たちは「もしかしたら、この地図には載っていない新しい国（新しい物理）があるのではないか？」と探しています。

実験結果は、膨大なデータ（何百もの「ビン」という箱）に分けられて発表されます。

• 昔の方法： 「一番当たりそうな箱（信号領域）」だけを見て、「ここにおかしいデータがあるか？」をチェックしていました。これは「一番いい穴を掘る」ようなものでしたが、他の穴を無視していたため、見逃しが多かったり、逆に誤解を招いたりしました。
• 今の課題： 実験チーム（ATLAS や CMS）は、より精密な統計手法を使って、**「すべての箱を同時に見て、全体の形（分布）から異常を見つける」**という高度な方法を採用するようになりました。しかし、この高度な方法は計算が非常に難しく、外部の研究者が自分の理論（シミュレーション）と照らし合わせるのが大変でした。

2. この論文の功績：「全知全能の判定員」の導入

この論文の著者たちは、CheckMATE というソフトウェアに、実験チームが公開した**「高度な統計モデル（完全な確率モデル）」と「簡略化された統計モデル」**の両方を実装しました。

これを料理に例えると：

• 昔の CheckMATE： 「一番美味しいかもしれない具材（一番いい箱）」だけを味見して、「これは美味しいか？」を判断していました。
• 新しい CheckMATE： 料理全体（すべての箱）を一度に味わい、**「味付けのバランス（統計的な相関）」**まで考慮して、「これは本物の料理か、それとも偽物か？」を判定できるようになりました。

3. 具体的な仕組み：2 つの新しいアプローチ

論文では、2 つの異なる「判定方法」を説明しています。

A. 「完全なモデル（Full Likelihood）」：精密なスキャン

• どんなもの？ 実験チームが公開した、非常に詳細なデータ（背景ノイズの揺らぎや、箱同士の関係性まで含めた複雑な数式）をそのまま使います。
• メリット： 最も正確です。まるで、**「すべての証拠品を並べて、探偵が徹底的に推理する」**ようなものです。
• デメリット： 計算に時間がかかります。大規模なシミュレーションを何回も行うには重すぎます。
• 実装： ATLAS 実験の 6 つの検索で使われています。

B. 「簡略化モデル（Simplified Likelihood）」：スマートな推測

• どんなもの？ 完全なモデルの「結果」を元に、計算を楽にするための「近似版」を作ります。
• メリット： 計算が圧倒的に速いです。**「経験則と主要なデータだけで、素早く大まかな結論を出す」**ようなものです。
• デメリット： 完全なモデルほど細部まで正確ではありませんが、多くの場合、十分に使えます。
• 実装： ATLAS と CMS の両方の実験で使われています。

4. なぜこれが重要なのか？（シナリオの例え）

Imagine you are looking for a specific type of bird in a forest.

• 昔の方法： 「一番鳥が見えそうな木」だけを見て、「鳥がいるか？」を確認していました。
• 新しい方法： 「森全体をスキャンして、鳥の鳴き声の分布や、他の動物の動きとの関係性まで含めて分析」します。

この新しい CheckMATE を使うと、以下のようなことが可能になります：

1. より感度が高い： 弱い信号（小さな鳥の鳴き声）も見逃さず、新しい物理の発見に近づけます。
2. 複数の実験を組み合わせられる： ATLAS と CMS という 2 つの異なる実験チームのデータを、統計的に正しく組み合わせて分析できるようになります。これは「2 つの異なるカメラの映像を合成して、より鮮明な画像を作る」ようなものです。
3. 柔軟な検証： 研究者は、自分の好きな新しい物理モデル（シミュレーション）を、この高度なモデルに当てはめて、「本当に実験結果と矛盾するか？」を即座にチェックできます。

5. 結論：ゲームのレベルが上がった

この論文は、CheckMATE というツールが、LHC の最新データ（Run 2 の全データ）に対応し、**「より賢く、より正確に、新しい物理を見つけ出す」**ための準備が整ったことを示しています。

• 完全なモデルを使えば、最高精度の判定が可能。
• 簡略化モデルを使えば、スピード重視の広範囲な探索が可能。

これにより、世界中の研究者が、より効率的に「標準模型を超えた新しい物理」の痕跡を探し出すことができるようになりました。まるで、探偵が最新の捜査機器とデータベースを手に入れて、犯人（新しい物理）を見つけやすくなったようなものです。

技術概要

この論文は、LHC（大型ハドロン衝突型加速器）のデータを用いた新物理モデルの再解釈（リインタプリテーション）を支援するソフトウェア「CheckMATE」における、多ビン信号領域（multibin signal regions）に対する完全な尤度（full likelihood）と簡略化された尤度（simplified likelihood）の実装について述べています。

以下に、問題提起、手法、主要な貢献、結果、および意義について詳細にまとめます。

1. 問題提起 (Problem)

• LHC Run 3 とデータの複雑化: LHC Run 3 が進行しており、膨大なデータが蓄積されていますが、新物理の兆候はまだ観測されていません。
• 従来の限界: 従来の実験結果の解釈は、限られた数の理論モデル（特に簡素化モデル）に基づいて行われており、現実的な TeV スケールの物理と直接対応していない場合が多かった。
• 統計モデルの高度化: 近年、実験（ATLAS, CMS）は単一のビンではなく、信号領域（SR）や制御領域（CR）における複数の観測量をビン分けしたデータを提供するようになり、統計モデルも複雑化しています。
• 再解釈の難しさ: この高度化は感度を向上させる一方で、任意の新物理モデルに対して実験結果を再解釈する（リキャストする）ことを技術的に困難にしています。特に、背景事象の相関や系統誤差を適切に扱う必要があります。

2. 手法 (Methodology)

著者らは、CheckMATE フレームワーク内に以下の統計モデルを実装しました。

• 対象とする実験と検索:
  • ATLAS: 9 件の検索（139 fb⁻¹、$\sqrt{s}=13$ TeV）。
  • CMS: 4 件の検索（139 fb⁻¹、$\sqrt{s}=13$ TeV）。
  • 合計 13 件の検索が実装されています。
• 尤度モデルの実装:
  • ATLAS (完全尤度モデル): ATLAS が公開した JSON 形式の統計モデルファイル（HistFactory 仕様に基づく）を使用。これには信号領域だけでなく、背景事象の系統誤差を記述する多数の妨害パラメータ（nuisance parameters）や制御領域（CR）が含まれます。Pyhf（HistFactory の Python 実装）と Spey パッケージを用いて評価されます。
  • ATLAS (簡略化尤度モデル): 完全モデルの背景事象レートと不確実性を近似し、すべてのビンに相関する単一の妨害パラメータを用いたモデル。公開データから構築可能で、計算コストが低いです。
  • CMS (簡略化尤度モデル): CMS が提供する共分散行列（covariance matrix）を用いた多変量ガウス分布モデル。背景事象の相関を明示的に扱います。
• 技術的実装:
  • 計算には pyhf ライブラリを使用し、バックエンドとして Numpy、TensorFlow、PyTorch、Jax をサポートしています。特に Jax は GPU 加速に対応しており、計算速度の向上が図られています。
  • ユーザーは、完全尤度、簡略化尤度、または単一の最良信号領域（Best Signal Region, BSR）のいずれかを選択して計算を実行できます。
• 検証プロセス:
  • MadGraph5_aMC@NLO、Pythia、Delphes を用いて事象生成と検出器シミュレーションを行い、MSSM（最小超対称性モデル）や DM（暗黒物質）モデルなどのベンチマークモデルに対して、公式の ATLAS/CMS 結果との比較を行いました。

3. 主要な貢献 (Key Contributions)

• CheckMATE の機能拡張: 単一の信号領域の比較から、多ビン信号領域の形状フィッティング（shape-fit）および統計的組み合わせが可能になりました。
• ATLAS/CMS 統計モデルの統合:
  • ATLAS の完全尤度モデル（JSON ファイル）と簡略化モデルの両方をサポート。
  • CMS の共分散行列ベースの簡略化モデルを実装。
  • 一部の ATLAS 検索では、制御領域（CR）の完全な実装を行い、信号が CR に与える影響を考慮可能にしました（例：atlas 2010 14293）。
• 柔軟な計算オプション: ユーザーは計算の精度と速度のバランスを制御できます（full, simple, scan などのスイッチ）。
• バックエンドの多様化: 計算速度を向上させるため、Jax や GPU 対応のバックエンドを提供し、大規模なパラメータ空間走査を現実的な時間で行えるようにしました。

4. 結果 (Results)

• 検証結果: 実装された 13 件の検索すべてについて、CheckMATE による制限（exclusion limits）と実験室の公式結果との間で良好な一致が確認されました。
  • 完全尤度 vs 簡略化尤度: 多くのケースで両者はよく一致しますが、信号領域に顕著な過剰または不足がある複雑な形状を持つ場合（例：atlas 1911 12606）、簡略化モデルは完全モデルの形状を正確に再現できないことが示されました。
  • 多ビン vs 最良ビン (BSR): 多ビン尤度モデル（完全または簡略化）を使用することで、単一の最良信号領域（BSR）のみを使用する場合に比べて、排除限界が大幅に強化されました（感度が 2 倍になるケースも）。
• 計算性能:
  • 完全尤度の計算は時間がかかるため、Jax や PyTorch を使用することで、Numpy 単体と比較して大幅な高速化（数倍〜数十倍）が達成されました。
  • 簡略化モデルは非常に高速であり、大規模なパラメータ空間走査に適しています。
• 制御領域の影響: 信号が制御領域に無視できない寄与を持つ場合（例：atlas 1911 06660）、CR を含めた完全尤度モデルを使用しないと、パラメータ空間を過剰に制限（over-constraining）するリスクがあることが示されました。

5. 意義 (Significance)

• 理論研究への貢献: 研究者は、任意の新物理モデル（SUSY、暗黒物質など）に対して、LHC の最新の複雑な統計モデルを用いて厳密な制限を課すことが可能になりました。
• 感度の向上: 単一のビンに依存しない多ビン解析により、より広い質量範囲や複雑な崩壊チャネルに対して感度が向上し、排除限界が拡張されました。
• 将来の展望: この実装は、異なる実験（ATLAS と CMS）間や、異なる検索チャネル間の統計的組み合わせ（statistical combination）の基盤となります。また、機械学習手法とのインターフェース開発など、将来の CheckMATE の発展に向けた重要なステップです。

総じて、この論文は、LHC データの高度な統計的性質を考慮しつつ、任意の新物理モデルを効率的かつ正確に検証するための重要なツールを提供した点で意義深いものです。