Lecture notes on Machine Learning applications for global fits

この講義ノートは、高エネルギー物理学における大域的統計フィッティングを可能にする機械学習の枠組みを解説し、Belle II 実験での$B^\pm \to K^\pm \nu \bar{\nu}$異常に対するアクシオン様粒子の探索への応用例を示しています。

要約

🌍 物語の舞台：「宇宙のレシピ本」を探す探検

まず、物理学者たちの仕事についてイメージしてみましょう。

彼らは**「宇宙という巨大な料理」を作っていると考えています。この料理の味（現象）を決めるのは、「レシピ（理論モデル）」と「調味料の量（パラメータ）」**です。
例えば、「ニュートリノの質量」や「新しい粒子の強さ」などが調味料の量にあたります。

物理学者の目標は、**「実験室（Belle II などの加速器）で実際に観測された味（データ）」と一致する「完璧なレシピ」**を見つけることです。

🚧 従来の方法の悩み：「試行錯誤」の限界

昔からのやり方は、**「試行錯誤（グリッドサーチ）」**でした。
「塩を少し多くしたらどうなる？」「砂糖を減らしたら？」と、調味料の量を一つずつ変えて、理論計算で味をシミュレーションし、実験データと比べるのです。

しかし、ここには大きな問題がありました。

1. 計算が重すぎる： 一度の計算に 10 秒かかる場合、調味料の組み合わせが 100 万通りあれば、100 万秒（約 11 日）もかかります。
2. 組み合わせが多すぎる： 調味料（パラメータ）が増えると、組み合わせの数は爆発的に増えます。

これでは、「完璧なレシピ」を見つける前に、時間が尽きてしまいます。

---

🤖 解決策：AI 助手（機械学習）の登場

この論文では、**「AI 助手」**を使ってこの問題を解決する方法を提案しています。

1. 能動的学習（アクティブラーニング）：「賢い味見」

AI にすべての味を試させるのではなく、「どこを味見すれば一番効率的か」を AI 自身に考えさせます。

• 探索（Exploration）： 「まだ誰も味見していない、未知のエリアに行ってみよう」と、新しい場所を探します。
• 活用（Exploitation）： 「ここは美味しそう（データと合致しそう）だ！もっと詳しく味見しよう」と、有望な場所を詳しく調べます。

このように、**「無駄な味見を減らし、必要な味見だけ」を選んでデータを収集する技術を「能動的学習」**と呼びます。

2. 回帰木（ブーストド決定木）：「レシピの簡易版」

実際に味を計算するのは重すぎるので、AI に**「味見した結果（データ）」を学習させます。
そして、「XGBoost（エックス・ブースト）」という強力な AI モデルに、「調味料の量」から「味（実験データとの一致度）」を瞬時に予測させる「簡易レシピ（代理モデル）」**を作らせます。

• 本物の計算： 1 回 10 秒かかる重労働。
• AI 代理モデル： 1 回 0.0001 秒で予測できる超高速なシミュレーター。

これで、物理学者は AI 助手を使って、「何万回もの試行錯誤」を瞬時に行えるようになります。

3. SHAP 値：「AI の思考過程を可視化」

AI が「このレシピが正解だ！」と言ったとき、**「なぜそう思ったのか？」**を知る必要があります。
**「SHAP 値」という技術を使うと、AI が「どの調味料（パラメータ）が最も影響していたか」を詳しく説明してくれます。
これにより、AI は単なる「黒箱（ブラックボックス）」ではなく、「なぜその結論に至ったか説明できる、透明な助手」**になります。

4. MCMC（マルコフ連鎖モンテカルロ）：「迷路の地図作り」

最後に、AI が作った「簡易レシピ」を使って、**「最も可能性が高いレシピの場所」を詳しく探します。
「MCMC」という方法は、迷路の中でランダムに歩き回りながら、「どこが最も美味しい（確率が高い）か」を地図のように描き出す技術です。これにより、単に「正解」を見つけるだけでなく、「正解の周辺にはどんなバリエーションがあるか」**も把握できます。

---

🧪 実際の応用：Belle II 実験の「謎の味」を解明

この技術を実際に使ったのが、**「Belle II 実験」での「B メソンが K メソンに変わる現象」**の解析です。

• 現象： 標準模型（現在の物理の常識）ではありえないはずの「不思議な味（データ）」が観測されました。
• 仮説： 「もしかしたら、**『アクシオン様粒子（ALP）』**という、まだ見えない新しい粒子が混ざっているのではないか？」
• 課題： この粒子が存在する場合、その性質（寿命や結合の強さ）を特定する必要がありますが、計算が複雑すぎて従来の方法では不可能でした。

AI を使った結果：

1. 複雑な計算を AI が高速化し、膨大なパラメータ空間を探索。
2. 「この粒子は長生きで、特定の条件下でしか観測されない」という**「矛盾を解決するモデル」**を見つけ出しました。
3. SHAP 値を使って、**「どの物理量がこの謎を解く鍵だったか」**を明確に説明できました。

---

💡 まとめ：物理学の未来

この論文が伝えたいことはシンプルです。

「複雑すぎる問題を、AI という『超高速な計算機』と『賢い案内人』を使って、人間が理解できる形で解き明かそう」

これまでは「計算が重すぎて諦めていた」問題も、この**「AI 代理モデル＋能動的学習＋解釈性」という組み合わせを使えば、「短時間で、かつ理由を説明しながら」**解決できるようになります。

これは、単に計算を速くするだけでなく、**「物理学者が AI と協力して、宇宙の新しい秘密（ニュートリノの正体やダークマターなど）を一緒に探求する」**ための新しいスタイルの確立と言えます。

まるで、**「重たい荷物を運ぶのは AI に任せ、人間は『どこへ向かうべきか』という戦略を考える」**ような、新しい物理学の探検スタイルなのです。

技術概要

以下は、Jorge Alda 氏による SciPost Physics Lecture Notes「Machine Learning applications for global fits（機械学習を用いたグローバルフィット）」の技術的サマリーです。

1. 問題設定 (Problem)

高エネルギー物理学における「グローバルフィット（Global Fits）」は、標準模型（SM）やその拡張モデルのパラメータを、複数の実験データと整合させるために推定する重要な手法です。しかし、現代の物理モデル、特に有効場理論（EFT）や新しい物理粒子（例：アルキオン様粒子：ALP）を扱う場合、以下の計算上のボトルネックに直面します。

• 計算コストの膨大さ: 理論的予測値（観測量）を計算する際、摂動論や繰り込み群方程式（RGE）の数値積分などが必要であり、単一のパラメータ点での尤度関数（Likelihood function）の評価に数秒〜数十秒かかることがあります。
• 最適化の困難さ: パラメータ空間を探索し、最尤推定量（MLE）や事後分布（Posterior distribution）をサンプリングするには、数千〜数百万回の尤度評価が必要です。従来の数値最適化やマルコフ連鎖モンテカルロ（MCMC）法では、この計算コストが現実的ではありません。
• 複雑な尤度構造: 観測量が多数あり、相関や非ガウス性を持つ場合、尤度関数の形状は複雑になり、効率的な探索が困難になります。

2. 手法 (Methodology)

本論文では、尤度関数の評価を高速化するために、機械学習（ML）を「代理モデル（Surrogate Model）」として導入する包括的なワークフローを提案しています。

A. 能動学習による効率的なデータ生成 (Active Learning)

• 目的: 尤度関数の特性を捉えつつ、最小限の評価回数でトレーニングデータを生成する。
• 手法: ガウス過程（Gaussian Process, GP）を用いて、尤度関数の予測値と不確実性を同時に推定する。
• 戦略: 「利用（Exploitation：現在の最適解付近を探索）」と「探索（Exploration：予測の不確実性が高い領域を探索）」のバランスを取るために、**期待改善度（Expected Improvement, EI）**という収集関数を用いて、次に評価すべきパラメータ点を逐次的に選択する。

B. 回帰モデルとしてのブースト決定木 (Boosted Decision Trees / XGBoost)

• 目的: 対数尤度関数（または $\chi^2$）を近似する代理モデルの構築。
• 手法: XGBoost（eXtreme Gradient Boosting）を採用。これは複数の決定木（弱学習器）を直列に学習させ、誤差を修正していくアンサンブル手法です。
• 特徴:
  • 回帰問題に対して高い精度と速度を持つ。
  • 過学習（Overfitting）を防ぐための正則化パラメータ（学習率、木の数、深さなど）の調整や、早期停止（Early Stopping）の活用。
  • 学習済みモデルの UBJSON 形式での保存や、Treeliteを用いた C ライブラリへのコンパイルによる推論速度の劇的な向上。

C. 解釈可能性の確保 (Explainability with SHAP)

• 目的: ブラックボックス化しがちな ML モデルの判断根拠を物理的に解釈する。
• 手法: SHAP (SHapley Additive exPlanations) 値の計算。
  • 局所的解釈: 特定のパラメータ点において、各パラメータが予測値にどの程度寄与しているかを可視化（ウォーターフォールプロット）。
  • 大域的解釈: 全体データセットにおけるパラメータの重要度や、パラメータ間の相互作用（SHAP interaction values）を分析。
  • これにより、どの物理パラメータが実験データとの整合性に寄与しているか、あるいはどの相互作用が制約を緩和しているかを特定できる。

D. 事後分布のサンプリング (MCMC Sampling)

• 手法: 学習済みの ML 代理モデルを尤度関数として使用し、emcee ライブラリ（アフィン不変アンサンブルサンプリング）を用いて MCMC 実行。
• 利点: 代理モデルによる尤度評価は極めて高速であるため、MCMC が収束するまでのステップ数を大幅に増やし、高次元パラメータ空間の事後分布を詳細にマッピングできる。

E. 二段階学習アプローチ (Two-Stage Approach)

• 課題: パラメータ空間の大部分で $\chi^2$ が非常に大きく（物理的に無意味な領域）、ML モデルが「大きな値」を学習してしまい、重要な領域の微細な構造を捉えられないリスクがある。
• 解決策:
  1. 分類器: 最初に $\chi^2$ が閾値（例：$\Delta\chi^2 > 10$）を超える点をフィルタリングする。
  2. 回帰器: フィルタリングされた物理的に有意な領域のみで $\chi^2$ の値を回帰する。

3. 主要な貢献と結果 (Key Contributions & Results)

• 計算効率の飛躍的向上: 従来の RGE 数値積分に比べて、ML 代理モデルを用いた尤度評価は数桁高速化され、グローバルフィットの実現可能性を高める。
• Belle II における $B^\pm \to K^\pm \nu\bar{\nu}$ 異常への適用:
  • 対象: Belle II 実験で観測された $B^\pm \to K^\pm \nu\bar{\nu}$ の崩壊率の 2.7$\sigma$ 超過を説明するモデル。
  • モデル: 軽い擬スカラー粒子「アルキオン様粒子（ALP）」を媒介とする新物理。
  • 課題: ALP が長寿命であること（崩壊長 $c\tau \ge 80$ cm）と、$b \to s$ 遷移の大きな寄与の両立はパラメータ空間内で矛盾しやすく、制約が厳しい。
  • 結果: 提案された ML ワークフローにより、ALP の結合定数と崩壊定数 ($f_a$) の高次元パラメータ空間を効率的に探索し、実験制約（Belle II, BaBar）と ALP の安定性を同時に満たすパラメータ領域を特定することに成功した。
• 解釈可能性の提供: SHAP 値を用いることで、どの結合定数（例：トップクォークとの結合）が $b \to s$ 遷移を支配し、どの相互作用が ALP の崩壊を抑制しているかを物理的に解明した。

4. 意義と結論 (Significance & Conclusion)

本論文は、高エネルギー物理学におけるデータ解析のパラダイムシフトを示唆しています。

• 計算ボトルネックの解消: 複雑な物理モデル（非微分可能な境界や高次元空間を含む）においても、ML 代理モデルと MCMC を組み合わせることで、従来は計算不可能だったグローバルフィットを可能にします。
• 透明性と信頼性: SHAP などのツールを用いることで、ML モデルが「ブラックボックス」ではなく、物理的な洞察をもたらすツールとして機能することを示しました。
• 将来の展望: 標準模型有効場理論（SMEFT）の 374 パラメータのような超巨大な空間への拡張や、微分可能な尤度関数を用いたハミルトニアン MCMC など、より高度な手法との併用も視野に入れています。

総じて、本論文は「機械学習による代理モデル」と「統計的推論」を統合した堅牢なフレームワークを提示し、Belle II などの次世代実験で蓄積される複雑なデータから新物理の兆候を抽出するための重要な指針となっています。