Lorentz-Equivariance without Limitations

高エネルギーの素粒子物理学の世界では、科学者たちは初期宇宙の状態を再現するために、陽子をほぼ光速に近い速度で衝突させています。その結果生じる破片は、時空における点の雲として巨大な検出器に記録される、新しい粒子の混沌とした飛散です。この混沌を理解するために、研究者たちは特殊相対性理論の法則に頼っています。この理論は、物理学の根本的なルールは、観測者がどのように動いていても、あるいはどこに位置していても変わらないことを定めています。ローレンツ不変性として知られるこの原理は、粒子の振る舞いは、静止したラボから見ても、高速で通り過ぎる宇宙船から見ても同じに見えることを意味します。しかし、科学者が人工知能を使用してこれらの粒子衝突を分析する際、困難な問題に直面します。標準的なコンピュータプログラムは、自然にはこれらの運動のルールを理解していないのです。それらはしばしば、データを静止した画像のように扱い、粒子がどのように相互作用するかを支配する深い幾何学的関係を見落としてしまいます。この限界により、研究者は、適応させるのが難しい非常に特殊で硬直したコンピュータモデルを構築するか、あるいは標準的なモデルに試行錯誤を通じてルールを推測させるために膨大な計算能力を使用することを強いられます。

物理学者とコンピュータ科学者のチームは、「ローレンツ局所正準化（Lorentz Local Canonicalization）」、略してLLLoCaと呼ばれる新しい手法を開発しました。これは、処理速度を落とすことなく、あらゆるニューラルネットワークに相対論的な理解を組み込むことで、この問題を解決するものです。コンピュータに運動のルールを一から学習させる代わりに、この手法は、ネットワークに対して、目にするすべての個々の粒子に対して独自の「動く参照フレーム」を作成することを教えます。粒子を、自分専用の地図を持っている旅人に例えてみましょう。ネットワークはこの地図を各粒子のために予測し、これによりコンピュータは、複雑で動的なデータを、物理法則が読み取りやすい単純で局所的な言語へと翻訳できるようになります。データがこれらの局所的なフレームに翻訳されると、ネットワークは標準的で柔軟なアーキテクチャを使用してそれを処理できます。計算が終わると、ネットワークは結果を検出器のグローバルな視点へと書き戻します。このアプローチにより、コンピュータは宇宙の根本的な対称性を尊重しながら、高速かつ多様な物理問題に適応し続けることができます。

研究チームはこの新しいフレームワークを、現代の素粒子物理学の中心的な3つの課題に対してテストしました。それは、粒子相互作用の強さの予測、粒子衝突の現実的なシミュレーションの生成、そして残骸の中に隠れた特定の種類の粒子の識別です。最初のテストでは、Zボソンと最大4つのグルオンを含む特定の散乱イベントの確率を予測するようネットワークに求めました。標準的な非相対論的モデルよりも、この局所参照フレーム・システムを標準的なニューラルネットワークに加えた方が、予測が大幅に正確になり、より複雑で専門化されたモデルの性能に匹 نرخしたことが分かりました。決定的なことに、この新手法は、このタスクのために設計された従来の最先端モデルよりも4倍速く動作し、はるかに少ない計算量でこの高い精度を実現しました。

2番目の応用では、チームはこの手法を用いて、新しい粒子衝突イベントをゼロから生成しました。これは、検出器が何を見るべきかをシミュレートするために不可欠な作業ですが、コンピュータが多次元の複雑な可能性の風景を学習しなければならないため、極めて困難な作業です。研究者たちは、この特定の仕事においては、ネットワークがすべての方向に対して完全に対称である必要はないことを発見しました。むしろ、ビームラインに沿った優先的な方向を持つ粒子検出器の特定の幾何学に合わせるために、厳格な対称性のルールの一部をあえて破ることが許される場合に、最も優れた性能を発揮しました。ネットワークに対し、実際に検出器データに存在する対称性のみを尊重するように学習させることで、最良の結果を得ることができました。この発見は、コンピュータモデルが効果的であるためには常に完全に左右対称である必要があるという考えに異を唱えるものです。時には、どこで対称性が崩れるかを知ることも同様に重要なのです。

最後の最も広範なテストは、「ジェット・タギング」に関するものでした。これは、重いトップクォークによって引き起こされる粒子のジェットと、通常の背景ノラ（バックグラウンド・ノイズ）によるジェットをコンピュータが区別しなければならないプロセスです。これは、トップクォークが稀で興味深いイベントにおいて頻繁に生成されるため、新しい物理学を発見するための重要なスキルです。チームは、彼らの手法を既存の高精度なネットワーク・アーキテクチャに適用し、それらを相対論的にアップグレードしました。彼らは、これらのモデルを訓練するために、以前のこのタスクで使用されたどのデータセットよりもはるかに大規模な、1億3500万件のシミュレーションイベントを含む新しい大規模なデータセットを作成しました。この大規模なスケールにおいて、アップグレードされたネットワークは、非相対論的な対照群を上回り、最も高度な専門モデルの性能に匹敵しました。結果は、この新手法が小さなデータセットでもうまく機能する一方で、その真の力はデータ量が多いときに発揮され、ネットワークがより効率的に学習するために物理法則を活用できることを示しました。

この研究における重要な洞察は、ネットワークがデータの対称性をどのように扱うかという点にあります。研究者たちは、イベント生成のようなタスクでは、ネットワークが検出器の残留対称性のみを尊重すれば十分であることを発見しました。しかし、ジェット内の粒子を識別する場合、最高のパフォーマンスはハイブリッドなアプローチから得られました。ネットワークは、内部計算において相対論的対称性の全能力を使用することを許される一方で、粒子のビーム方向などの特定の参照点も追加の入力として与えられました。これにより、ネットワークはいつ全対称性を使用し、いつ特定の検出器の幾何学に依存するかを自ら判断できるようになりました。この柔軟性が最も効果的な戦略であることが証明され、モデルは、あらゆるデータに適用されない可能性がある硬直したルールに制約されることなく、最高レベルの精度を達成することができました。

この研究はまた、この新しいフレームワークが一種のニューラルネットワークに限定されないことも示しました。研究者たちは、粒子を接続されたノードとして扱うグラフネットワークと、言語処理によく使われる強力なモデルであるトランスフォーマーの両方に、この手法を適用することに成功しました。あらゆるケースにおいて、この手法は「ユニバーサルなアップグレード」として機能し、既存のネットワークを、調整可能なパラメータをわずかに増やすだけで相対論的なものへと進化させました。このアップグレードによる計算コストは最小限であり、総パラメータ数の約1パーセントの増加にとどまり、追加時間は無視できる程度でした。このことは、物理学の広いコミュニティが、ソフトウェアシステム全体を書き直すことなく、既存のツールを改善するためにこの手法を容易に採用できることを示唆しています。

最小限のオーバーヘッドで、宇宙の根本的な対称性を機械学習モデルに埋め込む方法を提供することで、本研究は素粒子物理学における進歩の大きな障壁を取り除きました。これにより、研究者は、自然の法則を遵守することを保証しながら、現在利用可能な最も強力で柔軟なニューラルネットワーク・アーキテクチャを使用できるようになります。より良いシミュレーションを生成し、相互作用の強度をより正確に予測し、希少な粒子を高精度で識別できる能力は、将来の粒子衝突器から期待される膨大なデータの解析に向けて、新たな扉を開きます。研究者たちは、コードとデータセットを公開しており、他の人々がこれらのツールをテストし洗練させていくことを歓迎しています。これにより、次世代の素粒子物理学の発見が、データと深い物理学的理解の両方の基礎の上に築かれることが保証されるのです。