E-PCN: Jet Tagging with Explainable Particle Chebyshev Networks Using Kinematic Features

本論文は、JetClass データセットにおいて最先端のジェット分類性能を達成しつつ、その決定を主導する主要因として角分離と横運動量を特定する、4 つの異なる運動量特徴重み付きグラフ表現を統合した説明可能なグラフニューラルネットワークである E-PCN を導入する。

要約

高エネルギー粒子加速器、例えば大型ハドロン衝突型加速器（LHC）を、巨大で高速の自動車衝突事故と想像してみてください。2 つの陽子が激突すると、単に2 つの破片に分裂するのではなく、数百もの小さな粒子が混沌とした噴霧となって飛び散ります。物理学者はこれらの噴霧を「ジェット」と呼びます。

課題は、これらのジェットが衝突を引き起こした元々の粒子の「指紋」であるという点です。その衝突はヒッグス粒子から来たのでしょうか？トップクォークからでしょうか？それとも単なる退屈で一般的な粒子からでしょうか？発生源を特定することは、散らばった破片だけを見て、どのような車が衝突したのかを推測しようとするようなものです。

長年、科学者たちはこの破片を分類するために人工知能（AI）を用いてきました。しかし、問題があります。最良の AI モデルはしばしば「ブラックボックス」であることです。それらは正解を導き出しますが、「なぜ」そうなるのかを説明できません。それは、数学のテストで満点を取ったのに、解答過程を示すことを拒む生徒のようです。科学において、正解を得ることと同じくらい重要なのは、「なぜ」そうなるのかを知ることです。

本論文は、E-PCN（説明可能な粒子チェビシェフネットワーク）と呼ばれる新しい AI モデルを紹介します。これは、事件を解決するだけでなく、どの手がかりが結論に至ったのかを詳細に報告書として記述する探偵のようなものです。

従来の AI の問題点

以前の AI モデルは、粒子の噴霧を巨大で無秩序なデータのかたまりとして扱っていました。それらは全体像を一度に見ていました。粒子の種類を推測する能力は優れていましたが、実際の物理法則ではなく、コンピュータシミュレーションにおける偶発的なパターンや「不具合」に依存することが多かったのです。それは、指紋ではなく靴の色に基づいて犯人を推測する探偵のようです。

新しい解決策：E-PCN

著者らは E-PCN を構築する際、特定の哲学に基づきました。「まず AI に物理法則を教えよう」。

単にすべてのデータをブラックボックスに放り込むのではなく、彼らは粒子の噴霧を、宇宙における粒子の実際の振る舞いに基づいた4 つの特定の「レンズ」または「視点」に分解しました（これは「ランドジェット平面」と呼ばれる概念です）。犯罪現場を4 つの異なる色のメガネを通して見ることを想像してください。

1. 距離のメガネ（角度分離、$\Delta$）： 粒子同士はどれほど離れているか？
2. 速度のメガネ（相対横運動量、$k_T$）： 横方向にどれほど速く動いているか？
3. 分配のメガネ（運動量割合、$z$）： 各破片は元のエネルギーのどの程度を奪ったか？
4. 重さのメガネ（不変質量、$m^2$）： 粒子の結合集団はどの程度重いのか？

E-PCN モデルには、4 つの並列した「脳」（ニューラルネットワーク）があります。それぞれの脳は、この4 つのメガネのうちの1 つを通してのみジェットを観察します。

• 脳 #1 は距離のことしか気にしません。
• 脳 #2 は速度のことしか気にしません。
• 脳 #3 はエネルギーの分配のことしか気にしません。
• 脳 #4 は質量のことしか気にしません。

各脳が独自の観察を行った後、それらはすべて「会議テーブル」（分類層）に集まり、それぞれのメモを組み合わせて粒子が何であったかを決定します。

「アハ！」の瞬間：説明可能性

このモデルはこのような仕組みで構築されているため、研究者は「この決定においてどの脳が最も重要だったのか？」と問うことができます。

彼らは Grad-CAM という手法（最も重要な手がかりを強調するヒートマップと考えることができます）を使用しました。その結果は魅力的で、何十年もの間物理学者が知っていたことと一致しました。

• 距離と速度が主役でした。これら2 つが意思決定能力の約 76% を占めました。
• エネルギーの分配と質量が残りの 24% を占めました。

これは、AI が単にランダムなパターンを暗記しているのではなく、宇宙の実際の「文法」を学習したことを証明しています。粒子がどのように広がり（距離）、どのように動く（速度）かが、量子色力学（QCD）の法則が予測した通り、最も重要な手がかりであることを理解したのです。

それはより優れているか？

はい。シミュレーションされた粒子衝突の巨大なデータセット（JetClass）でテストされたとき：

• 以前の最高水準のモデルよりも精度が高かった。
• ヒッグス粒子がボトムクォークに崩壊するなどの、稀で重い粒子を特定する能力が大幅に向上し、従来の基準と比較して 80% 以上 の改善が見られた。

現実世界でのテスト：「実データ」の挑戦

シミュレーションは完璧ですが、現実は無秩序です。実際の検出器にはノイズがあり、粒子は見失われます。E-PCN が本当に「賢い」のか、それとも単に「シミュレーションが得意」なのかをテストするために、研究者たちは LHC の CMS 実験からの実データ（Aspen Open Jets データセットと呼ばれる）でこれをテストしました。

実データには「解答用紙」がないため、AI がどの程度よく類似したジェットをグループ化（クラスタリング）できるかを確認しました。

• 古いモデル（PCN）は、乱雑でごちゃ混ぜになったグループの山を生み出した。
• 新しいモデル（E-PCN）は、整然とした、明確でよく分離されたグループを生み出した。

これは、E-PCN が粒子の振る舞いの真の物理を学習したことを示唆しており、ノイズが多く不完全なデータであっても、実際の探偵が汚れた犯罪現場で働くように機能することを可能にしています。

まとめ

要約すると、著者らは「物理第一」のアーキテクチャを与えることで、粒子物理学のためのより賢い AI を構築しました。AI に盲目的に推測させるのではなく、宇宙を測定するための4 つの特定のツールを与えました。その結果、より正確であるだけでなく、思考の過程について正直であるモデルが生まれました。それは、コンピュータの不具合ではなく、自然の根本法則に依存していることを確認しました。

技術概要

技術概要：E-PCN：運動量特徴量を用いた説明可能な粒子チェビシェフネットワークによるジェットタグging

問題定義
高エネルギー衝突実験、特に今後の高輝度大型ハドロン衝突型加速器（HL-LHC）では、膨大なデータ量を処理してジェット（粒子の集束した噴流）を同定・分類する上で重大な課題に直面しています。ジェットをグラフとして扱うことでジェット分類の性能を向上させた粒子チェビシェフネットワーク（PCN）のようなグラフニューラルネットワーク（GNN）は存在しますが、これらはしばしば「ブラックボックス」として機能します。この解釈性の欠如は、モデルの振る舞いを物理原理に対して検証するのを妨げ、モデルが真の量子色力学（QCD）現象ではなく、偽の相関や検出器のアーティファクトを学習しているという懸念を生じさせています。最先端の精度を達成するだけでなく、透明性があり物理的に動機付けられた意思決定プロセスを提供するアーキテクチャが緊急に必要とされています。

手法
著者らは、ランドジェット平面形式論から導出された運動量変数をグラフ構造に明示的に統合する PCN の拡張である「説明可能な粒子チェビシェフネットワーク（E-PCN）」を提案します。

• マルチグラフアーキテクチャ: E-PCN は、運動量特徴量をノード属性に連結するのではなく、各ジェットに対して 4 つの並列グラフ表現を構築します。各グラフは同じノード特徴（16 次元の粒子特性）と接続性（角度分離に基づく k-近傍法）を共有しますが、エッジ重みとして異なる運動量変数を利用します。

  1. 角度分離（$\Delta$）: 角度順序付けと共線放出を符号化します。
  2. 相対横運動量（$k_T$）: 強結合定数のスケールを設定し、摂動領域と非摂動領域を分離します。
  3. 運動量分数（$z$）: DGLAP 分裂関数を通じて娘パートン間のエネルギー分配を定量化します。
  4. 不変質量の二乗（$m^2$）: 重クォークジェット同定に対する感度を提供します。
     最初の 3 つの変数は QCD 放出確率のランド平面因子分解に基づいて動機付けられており、4 つ目は重クォーク感度を補完します。

• ネットワークアーキテクチャ: 4 つのグラフブランチのそれぞれは、同一かつ独立にパラメータ化された特徴量抽出器によって処理されます。この抽出器は、局所的な幾何学的構造を捉えるための**チェビシェフグラフ畳み込み（ChebConv）と、粒子間のペア関係をモデル化するためのエッジ畳み込み（EdgeConv）**を交互に用いるハイブリッド畳み込みアプローチを採用しています。得られた 4 つの 64 次元ジェット埋め込みは、$1\times1$ 畳み込み層を介してスタックされ結合された後、分類のために全結合層を通過します。

• 説明性メカニズム: 著者らは、**勾配重み付きクラス活性化マッピング（Grad-CAM）**をこのマルチグラフ設定に適応させます。各特定のグラフブランチの埋め込みに対するクラススコアの勾配を計算することで、分類決定における各運動量変数の相対的な重要性を定量化します。

主要な貢献

1. 物理情報に基づくマルチグラフ設計: E-PCN は、幾何学的構造、放射スケール、分裂確率、質量閾値といった QCD ジェットダイナミクスを補完する側面を、単一のモノリシック特徴量セットとして扱うのではなく、専用のグラフチャネルを通じて同時に処理する新しいアーキテクチャを導入します。
2. 定量的説明性: この研究は、Grad-CAM をマルチグラフ GNN に適用して、物理的に解釈可能な特徴量重要度の階層を明らかにする方法を実証しています。分析により、ネットワークが摂動 QCD 因子分解と整合性のある変数を優先することが確認されました。
3. 実データへの汎化: 多くのベンチマークがシミュレーションに限定されているのに対し、著者らは検出器効果やパイルアップを含む実 CMS 衝突データからなるAspen Open Jetsデータセット上でモデルの表現の質を評価しました。真のラベルがない状況でクラスタリング構造を評価するために、教師なし DeepCluster 学習を採用しました。

結果
JetClassベンチマーク（9 つのシグナルクラスと 1 つの背景）での評価：

• 分類性能: E-PCN は、マクロ精度94.67%、マクロ AUC96.78%、マクロ AUPR**82.41%**を達成しました。これらはそれぞれ、ベースライン PCN に対して 2.36%、4.13%、24.88% の相対的改善を表します。特に、重クォークチャネル（$H \to b\bar{b}$）の AUPR は 81.53% 向上しました。
• 説明性分析: Grad-CAM は、**角度分離（$\Delta$）と相対横運動量（$k_T$）が分類決定の約76%**を占めていることを明らかにしました（それぞれ 40.72% と 35.67%）。この階層は QCD のソフトコリニア因子分解構造と整合しています。クラス固有のばらつきも観察され、グルーオンジェットでは $k_T$ の重要性が高まり、ボトムクォークジェットでは $m^2$ の重要性が増加しており、これはカシミルスケーリングとデッドコーン効果と一致しています。
• 実データへの汎化: Aspen Open Jets データセットにおいて、E-PCN は PCN よりもはるかに構造化された潜在表現を生成しました。Davies-Bouldin 指数は**52.15%低下（0.8395 $\to$ 0.4017）し、Dunn 指数は42.33%**増加（0.0189 $\to$ 0.0269）しました。これは、優れたクラスタの凝集性と分離性を示しています。

意義と主張
本論文は、E-PCN がジェットタグging における高性能な深層学習と物理的解釈性の間のギャップを成功裡に埋めたと主張しています。ランド平面の運動量変数をグラフ構造にハードコーディングすることで、モデルはシミュレーションのアーティファクトではなく、基礎となる QCD 放射パターンを反映する表現を学習します。著者らは、特徴量重要度の階層が理論的な QCD 予測と一致する点は、アーキテクチャが訓練データに存在する構造を効果的に活用していることを検証するものだと強調しています。

重要なのは、実 CMS データにおける改善されたクラスタリング性能が、これらの物理情報に基づく表現が、検出器効果やパイルアップを伴う実験的条件へと、理想化されたシミュレーションを超えて汎化するのに十分な頑健性を持っていることを示唆している点です。この研究は、確立された運動量原理を中心にニューラルネットワークを構築することが、解釈性と分類性能の両方を高め、将来の高輝度衝突環境におけるジェットタグging への有望な方向性を提供すると結論付けています。著者らは、これらの解釈性の主張を完全な実験的系統誤差の下で最終的に検証することは、今後の課題であると指摘しています。