Machine-learning techniques for model-independent searches in dijet final states

技術要約：ダイジェット最終状態におけるモデル非依存探索のための機械学習手法

問題提起
大型ハドロン衝突型加速器（LHC）における標準模型（SM）を超える物理の探索は、特に強い相互作用（QCD多重ジェット）によって媒介されるSM背景事象の圧倒的な多さによって、ますます困難になっている。従来の探索は、仮説としてのBSM（標準模型を超える物理）信号を特定のSM背景事象から区別するように訓練された教師あり機械学習（ML）分類器に依存している。このアプローチは、あらゆる代替モデルに対して明示的な理論的定式化を必要とするため、発見の範囲を既知の仮説に限定してしまう。さらに、従来の「バンプハント（隆起探索）」技術は、ダイジェット系の不変質量（$m_{jj}$）において、信号の割合が滑らかに減少するSM背景事象に対して目に見えるピークを生じさせるほど十分に小さければ、失敗する可能性がある。本論文は、信号の具体的な特性に関する事前知識なしに異常なジェットを特定しつつ、「スカルプティング（造形）」によって $m_{jj}$ 分布を歪めることを回避できる、モデル非依存（異常検知）手法の必要性に対処している。

手法
本論文は、$\sqrt{s} = 13$ TeV（2016–2018年、138 fb$^{-1}$）のCMS実験によって収集された陽子・陽子衝突データに適用された、5つの異なる機械学習手法の詳細な比較を提示している。解析の対象は、重い共鳴（$A$）が2つの軽い粒子（$B$と$C$）に崩壊し、それらがその後SM粒子へと崩壊して2つの大きな半径を持つジェットを形成するダイジェット最終状態である。手法は、その訓練パラダイムによって以下のように分類される：

1. 教師なし学習 (VAE-QR): 変分オートエンコーダー（VAE）を、信号が抑制されているサイドバンド領域の低レベルなジェット構成要素の運動量を用いて訓練し、SM背景事象の分布を学習させる。再構成損失が異常スコアとして機能する。選択によって $m_{jj}$ スペクトルを歪める（スカルプティング）のを防ぐため、分位点回帰（QR）を用いて異常閾値を $m_{jj}$ の関数として正規化し、質量に関わらず一定のイベント割合が選択されるようにする。
2. 弱教師あり学習 (CWoLa Hunting, TNT, CATHODE, CATHODE-b): これらの手法は、「ラベルなし分類（CWoLa）」を利用して、明示的な信号ラベルなしに、データサンプルから背景事象とデータの間の尤度比を直接学習する。
   • CWoLa Hunting: 高レベルのサブストラクチャ特徴量（例：ソフトドロップ質量、N-subjettiness比、bタグスコア）を用いて、信号領域（SR）内のジェットと隣接するサイドバンド内のジェットを区別するように個々のジェットに対して分類器を訓練する。異常スコアをジェットの運動量からデコリレーション（非相関化）し、質量スカルプティングを軽減するために重み付け技術が適用される。
   • TNT (Tag N' Train): 弱教師あり学習と、初期の教師なしオートエンコーダーによるプリセレクションを組み合わせる。一方のジェットを、オートエンコーダーの損失に基づいて、もう一方のジェットが信号に近いか背景に近いかを「タグ付け」するために使用し、弱教師あり学習のための濃縮されたサンプルを作成する。
   • CATHODE / CATHODE-b: サイドバンドデータを用いて背景密度の推定を行う条件付き生成モデル（ノーマライジングフロー）を使用する。弱教師あり分類器は、観測されたデータと生成された背景事象を区別する。CATHODE-bは、第3世代クォーク結合への感度を高めるためにbタグスコアを含めることでこれを拡張している。
3. 半教師あり学習 (QUAK): 検索を導くための一連のシミュレーションされた信号事前分布を取り入れる。背景事象と特定の信号ベンチマークの両方を用いて訓練されたノーマライジングフローを使用して「QUAK空間」を定義し、背景事象とは異なり、かつ信号事前分布には類似したイベントを選択する。

主な貢献

• 包括的な比較: 本研究は、シミュレーションイベントに限定されていたこれまでの研究を超え、実際の衝突データを用いてこれら5つの多様な異常検知手法の詳細な比較を初めて提供するものである。
• スカルプティングの軽減: 統計的推論を有効にするための必須要件である、異常選択が $m_{jj}$ 分布において人工的にピークを作成したり歪めたりしないことを保証するために実装された、具体的な技術的対策（分位点回帰、重み付け、生成モデリング）を詳述している。
• 特徴量の影響分析: 低レベルの構成要素と高レベルのサブストラクチャ変数の異なる入力特徴量セットがパフォーマンスにどのように影響するかを調査し、特徴量の選択が手法間の感度の差を説明できる一方で、アルゴリズム間の性能差を完全には説明できないことを明らかにしている。
• データの検証: 弱教師あり異常検知の新規な適用として、ローレンツ・ブーストされたトップクォーク対（$t\bar{t}$）を全ハドロン崩壊チャネルで特定することを実証し、モデル非依存の枠組みにおける既知の物理を回収する能力を検証している。

結果

• 感度: 5つの手法すべてにおいて、インクルーシブ探索（サブストラクタ選択なし）や単純なモデル固有のサブストラクチャカットと比較して、シミュレートされたBSM信号に対する感度の向上が示された。しかし、すべての信号トポロジーに対して最適な単一の手法は存在しない。
• 相補性: 異常スコアの相関分析により、手法間の相関が低い（通常60%未満）ことが明らかになった。これは、各手法が異なる基準に基づいて異常イベントを特定していることを示している。このことは、これらのアプローチを組み合わせることで、より強力な探索戦略が得られる可能性を示唆している。
• 性能ギャップ: 同一の特徴量を用いて訓練された教師あり分類器は高い有意性改善特性（SIC）を達成する一方で、モデル非依存の手法はより低いSIC値（一部の手法では教師あり性能の約50%）を達成する。この差は、訓練中の信号ラベルの欠如と、限界設定手順における系統誤差を考慮する必要性に起因している。
• トップクォークの回収: 検証研究において、弱教師あり手法はQCD背景事象から $t\bar{t}$ イベントを正常に分離し、同一の入力を用いて訓練された完全教師あり分類器に匹敵する有意性改善を達成した。解釈手法（置換特徴量重要度）は、過剰の物理的性質（質量付近175 GeV、高いbタグスコア、および3つの枝を持つサブストラクチャ）を正常に特定し、異常探索による正の結果を解釈することの実現可能性を実証した。

意義
本論文は、これらの異常検知技術がモデル非依存の形式で新粒子のシグネチャに対する感度を正常に高めることを主張しており、従来の仮説駆動型の探索に対する堅牢な代替案を提供している。これらの手法が、既知の粒子の性質（トップクォーク）をその存在に関する事前知識なしに回収できることを示すことで、本研究はML駆動の異常検知が予期せぬ新しい物理を発見できる可能性を検証している。本研究は、異なる手法の相補性が、将来のLHC解析において多様な異常検知戦略のツールキットを採用することの価値を強調している。