=== 要約 ===

技術的要約：グローバルなLHC解析におけるアンビニング（Unbinning）

問題提起

大型ハドロン衝突器（LHC）における高次元イベントデータからの情報抽出は、精密物理学におけるボトルネックとなっている。従来の推論手法は、データを低次元のヒストグラムに削減することに依存しており、このプロセスによって次元削減とビン化を通じて重要な運動学的情報が破棄される。ニューラル・シミュレーションに基づく推論（SBI）は、個別のプロセスに対してヒストグラムベースの手法よりも優れた性能を示すことが実証されているが、標準模型有効場理論（SMEFT）のパラメータを制約するために複数のプロセスを組み合わせるグローバル解析において、これらの利点が維持されるかどうかは不明である。本論文は、特に二ボソン過程のグローバルな組み合わせにSBIを適用した場合に、退化した理論パラメータを分離する能力が単一プロセス研究を超えて拡張されるかどうかを調査することで、この理解の空白に対処する。

手法

著者らは、ビン化を行わずに尤度比を推定するためにニューラル・シミュレーションに基づく推論フレームワークを採用し、その結果を従来のヒストグラムベースの限界および全断面積制約と比較する。

微分学習による尤度学習:
特定のベンチマークポイントで直接尤度比を学習する代わりに、著者らは微分学習アプローチを利用する。SMEFTのラグランジアン構造を $L_{SMEFT} = L_{SM} + \sum_i \theta_i O_i$ （ここで $\theta_i$ はワイルソン係数）とし、微分断面積比 $R(x|\theta, \theta_0)$ を $\theta$ に関して2次まで展開する。ニューラルネットワークは、パートンレベルの比をターゲットとして、この展開の係数 ($R_i(x)$ および $R_{ij}(x)$) を学習するように訓練される。これにより、以下の式を通じて任意の $\theta$ に対する再構成レベルの尤度比が再構成可能となる：
$$r(x|\theta, \theta_0) \approx 1 + (\theta - \theta_0)_i R_{\phi,i}(x) + (\theta - \theta_0)_i (\theta - \theta_0)_j R_{\phi,ij}(x)$$
ここで、$R_{\phi}$ はニューラルネットワークのエスティメータを表す。

背景事象の取り扱い:
背景事象を考慮するため、著者らは二乗行列要素を信号、背景、および干渉成分に分割した。検討されているプロセスでは干渉が無視できるため、尤度は信号と背景の確率の和としてモデル化される。信号と背景の分類器を訓練して比 $\omega(x) = p_{sig}(x)/p_{bkg}(x)$ を推定し、これが完全な尤度比の構築に使用される。数値的な不完全性にもかかわらず、尤度の最小値が参照仮説 ($\theta_0$) に留まるように、信号断面積の微分項を調整することで、対数尤度の第1次微分が $\theta_0$ で消失することを解析的に強制している。

分数スミアリング（Fractional Smearing）:
大きな微分を持つ外れ値イベントによる数値的不安定性を緩和するために、「分数スミアリング」技術が適用される。大きな微分を持つイベントは、パートンシャワーおよび検出器シミュレーションを $n$ 回通過させ、各結果イベントに $1/n$ の重みを割り当てる。これらの重みは、訓練中の平均二乗誤差（MSE）損失関数に組み込まれる。

解析セットアップ:
本研究は、4つの二ボソン過程（$WW$, $WZ$, $WH$, $ZH$）に焦点を当てている。

• 演算子: 6つの次元-6 SMEFT演算子（$O_{\Phi D}$, $O_{\Phi W}$, $O_{\Phi B}$, $O_{\Phi W B}$, $O^{(3)}_{\Phi q}$, $O_{WWW}$）を検討する。
• データ: MADGRAPH5_AMC@NLO、PYTHIA8、およびDELPHESを用いて、$\sqrt{s} = 13.6$ TeV で生成されたイベントを使用する。積分ルミノシティは $300 \text{ fb}^{-1}$ と仮定される。
• 比較: 結果は以下と比較される：
  1. パートンレベルの尤度（理論的上限）。
  2. 全断面積限界（下限感度）。
  3. 標準的な観測量とビン化（例：STXS stage 1.2）を用いた再構成レベルのヒストグラム。
  4. 再構成レベルのSBI限界。

系統誤差は、運動学的情報の利得を孤立させるために無視されているが、著者らはSBIが運動学的効果を理論パラメータからデコリレーション（脱相関）させることで、系統誤差をより良く扱えると予想している。

主な貢献と結果

1. 単一プロセスの性能:
各個別プロセス（$WW$, $WZ$, $WH$, $ZH$）において、SBIアプローチは一貫してヒストグラムベースの手法よりもタイトなワイルソン係数の制約を与える。

• 退化の解消: SBIの主な利点は、全断面積に同様の影響を与えるが運動学的分布を異なるものにする演算子の間の退化を打破する能力である。例えば、$WZ$生成においては、ヒストグラムアプローチは$c_{\Phi W B}$と$c_{\Phi D}$ を区別することに苦労するが、SBIはこれら平面における限界を大幅に強化する。
• 偏極感度: $ZH$生成において、ヒストグラム観測量 ($p_T^Z$) は$Z$ボソンの偏極に対して鈍感であり、1次元のプロファイル限界において$c_{\Phi W}$, $c_{\Phi B}$, $c_{\Phi W B}$, $c_{\Phi D}$ の間の完全な退化が生じる。SBIは、全位相空間を利用することでこの退化を打破し、4つの係数を個別に制約する。
• 背景事象への堅牢性: 背景事象の寄与が大きいチャネル（例：$Zb\bar{b}$ 背景を持つ $ZH$）においても、SBIはヒストグラムを凌駕し、ヒストグラムが全断面積以上の情報を抽出できない領域でも制約を提供する。

2. グローバル結合解析:
本論文は、4つのプロセスすべてを組み合わせた際に、SBIの利点が維持され、増幅されることを示している。

• 相補性: 異なるプロセスは、パラメータ空間内の異なる方向を制約する（例：$WZ$は$c_{\Phi W B}$を制約し、$WH$は$c_{\Phi W}$ を制約する）。
• 結合における優位性: 結合されたSBI限界は、結合されたヒストグラム限界よりも大幅に強い。$c_{\Phi D}$, $c_{\Phi W}$, $c_{\Phi W B}$, $c_{\Phi B}$ といった係数について、SBI限界はヒストグラム限界よりも約2倍強い。
• ルミノシティ換算: 著者らは、ヒストグラム法を用いてSBIのアプローチと同等の感度を得るために必要なデータ量を、最も退化した係数について（標準的なスケーリング $\mathcal{L}^{-1/2}$ を仮定して）$\sim 4$ 倍と見積もっている。ヒストグラムの方が感度が高い係数（例：$c_{WWW}$）であっても、SBIは $\sim 30\%$ の感度向上を提供する。

3. 検証:
著者らは、学習された尤度の経験的被覆率（empirical coverage）を検証した。ほとんどのパラメータ平面において、経験的被覆率は公称信頼水準と一致した。いくつかのケース（例：$WW$生成における$c_{WWW}$）では、尤度はわずかに過小評価（保守的）であったが、これはより多くの訓練データがあれば制約をさらに強化できることを示唆している。

重要性と主張

本論文は、ニューラル・シミュレーションに基づく推論が、単一プロセス解析における単なる改善ではなく、グローバルなLHC解析の全ポテンシャルを解き放つために不可欠であることを示していると主張している。著者らは以下の通り述べている：

• グローバルな分離: SBIは、情報の損失と退化により従来のビン化ヒストグラムが失敗するグローバルな文脈において、複数の理論パラメータを分離する上で独特の有効性を持つ。
• スケーラビリティ: 微分学習アプローチにより、複雑性の組み合わせ爆発を起こすことなく、複数の演算子やプロセスを容易に含めることができる。
• 将来への備え: LHCのデータセットが増大するにつれ、ビン化に内在する情報の損失はますます深刻になる。SBIは、特定のSMEFT制約に対して実効的なルミノシティを2倍または4倍にするのと同等となり得る、全高次元イベント情報の活用への道を提供する。

著者らは、本解析が系統誤差やサブリーディングな背景事象を簡略化しているものの、グローバルなSMEFTの文脈におけるヒストグラムベースの手法に対するSBIの持続的な優位性は、LHCの物理的到達範囲を最大化するためにSBIが将来のグローバルフィットに統合されるべきであることを示唆していると結論付けている。