Unbinned extraction of $\gamma$ from $B\to DK$ with normalizing flows

本論文は、$B^\pm \to (D \to K_S \pi^+ \pi^-) K^\pm$ 崩壊から CKM 角 $\gamma$ を抽出するための正規化フローを用いた非ビン法を提案・検証し、アンサンブル学習を通じて統計的不確実性を伝搬させながら、モンテカルロデータから $\gamma$ および他のパラメータを正確に復元できることを実証する。

要約

複雑なパズルを解いて、ある隠された数値、これを$\gamma$（ガンマ）と呼びましょう、を見つけようとしている状況を想像してください。この数値は、宇宙の法則書における基本的な要素であり、特に宇宙が反物質ではなく物質で構成されている理由に関連しています。

物理学者たちは通常、B メソンと呼ばれる特定の粒子が他の粒子へと崩壊（分解）する様子を観察することで、この数値を見つけようとします。この過程は、マジシャンのトリックを見ているようなものです。B メソンが分裂し、その子粒子の一つであるD メソンが、すぐにさらに分裂して、パイオンとカオンの混合体を生み出します。

従来の方法：グリッドを通して見る

数十年にわたり、科学者たちはBPGGSZ 法と呼ばれる手法を用いて、これらの粒子の崩壊を分析してきました。D メソンの崩壊によって生じる可能性のある結果を、方眼紙（ダルツィプロットと呼ばれる）の上にマッピングすると想像してください。

従来のアプローチでは、科学者たちはこの紙の上にグリッドを描き、8 つの大きな箱に分割します。そして、各箱にどのくらいの数の粒子が落ちたかを数え、その箱ごとの「平均」を計算します。

• 問題点: これは、荒い網戸を通して詳細な絵画を見ようとするようなものです。全体的な雰囲気はつかめますが、箱の中の細部や鋭いエッジはすべて失われてしまいます。この「ぼやけ」が、$\gamma$の正確な値を特定することを難しくしています。

新しい方法：「ノーマライジング・フロー」カメラ

この論文は、**ノーマライジング・フロー（NFs）**と呼ばれる人工知能（AI）の一種を用いた、より鮮明なデータ観測の新しい方法を導入しています。

ノーマライジング・フローをグリッドではなく、粒子データを完璧に撮影する高解像度で柔軟なカメラだと考えてください。

1. 形状の学習: AI は、D メソンがどのように崩壊するかという数百万の例を入力されます。箱を数えるのではなく、AI は粒子がどこへ行くのかの正確で連続的な形状を学習します。高解像度の写真がすべての筆致を捉えるように、AI はデータ内のすべての微小な波、ピーク、谷を捉えます。
2. 難しい部分（制約）: 物理学には、これらの粒子のパターンが、円を形成しなければならない 3 つのパズルのピースのように、完璧に組み合わさる必要があるという数学的な規則があります。もし一つのピースの形状を推測すれば、他のピースは固定されます。
   • 課題: もし 2 つの別の AI モデルを使って形状を推測すると、これらが偶然にこの規則と矛盾してしまう可能性があります（まるで、ぴったりとはまらない 2 つのパズルのピースのように）。
   • 解決策: 著者たちは、AI の 2 つのバージョンを構築しました。
     • バージョン A（「H ネットワーク」）: この AI は、その規則が脳にハードコードされて構築されています。誤りを犯すことは物理的に不可能であり、常にパズルに完璧に合う形状を生成します。
     • バージョン B（「3 フロー」）: この AI は、3 つの独立したモデルを使用して学習します。時には、ピースがぴったりとはまらないような微小な誤りを犯すことがあります。著者たちは、粗いパズルのピースが合うまで優しくやすりかけるように、これらの誤りを平滑化することで修正しました。

結果：完璧なテスト

著者たちは、この新しい方法をコンピュータシミュレーション（「クロージャテスト」）を用いてテストしました。$\gamma$の既知の値を持つ偽のデータを作成し、AI にそれを見つけるよう求めました。

• 結果: AI の両方のバージョンが、高い精度で隠された数値$\gamma$を正常に見つけ出しました。
• 勝者: 規則がハードコードされた「H ネットワーク」の方が、わずかに安定性が高く、精度も優れていました。おそらく、自らの誤りを修正する時間を無駄にしなかったためでしょう。

なぜこれが重要なのか

この論文は、この手法が物理学者に、平均化して箱に捨ててしまう細部ではなく、データに含まれるすべての情報を活用することを可能にすると主張しています。

• 利点: CERN や Belle II などの実験からより多くのデータが収集されるにつれて、この AI 手法はより良くなり、測定精度を体系的に向上させます。
• 注意点: これは現在、シミュレートされたデータを用いた「概念実証」です。著者らは、これを現実世界のデータに適用する前に、検出器の誤差などの現実世界の雑多さを考慮し、AI が微妙なバイアスを発達させないことを確認する必要があると指摘しています。また、将来、この AI の「ベイズ的」バージョンを使用することで、何百回もシミュレーションを実行することなく、結果の不確実性を自動的に計算できる可能性も示唆しています。

要約すると: 著者たちは、宇宙の基本的な定数を測定する際に、ぼやけたグリッドベースの方法を、データの正確な形状を学習する鮮明な AI 駆動型の手法に置き換え、シミュレーションにおいて正確に答えを見つけられることを証明しました。

技術概要

技術的サマリー：正規化フローを用いた $B \to DK$ からの $\gamma$ のバインなし抽出

問題定義
$D \to K_S \pi^+ \pi^-$ である $B^\pm \to DK^\pm$ 崩壊からの CKM 単位性三角形の角度 $\gamma$（または $\phi_3$）の決定は、理論的にはクリーンであるが、実験的には統計精度によって制限されている。最先端のモデル非依存アプローチである BPGGSZ 法は、$D$ 崩壊のダリッツ図をビンに分割する。これにより $D$ 崩壊振幅に関するモデル依存の仮定を回避できる一方で、位相空間の「粗粒度化」をもたらす。有限のビンにおける強位相差の平均化は、局所的な干渉効果を洗い流し、$\gamma$ に対する感度の低下を招く。以前に提案されたバインなしの代替手法（フーリエ展開、ルジャンドル多項式、ノンパラメトリック検定）は、ダリッツ図に内在する複雑で多峰性の構造を捉える柔軟性に欠け、あるいは回避不可能なモデル化誤差を導入する傾向があった。

手法
著者らは、ダリッツ図全体にわたる $D$ 崩壊振幅と強位相変動の連続的かつデータ駆動型の表現を学習するために、**正規化フロー（NFs）**を利用したバインなし抽出法を提案する。この手法は、BPGGSZ 法のビン平均された観測量（$K_i, c_i, s_i$）を、$D$ 崩壊データから直接学習された連続関数（$K, C, S$）に置き換える。

対処される核心的な技術的課題は、学習された関数を結びつける三角関数的制約：$C^2 + S^2 = K \bar{K}$ である。本論文はこの制約を処理するための 2 つの異なるアーキテクチャを探求する。

1. 制約認識型アーキテクチャ（$h$-ネットワーク）:

   • フレーバータグ付き NF を訓練して密度 $K(m', \theta')$ を学習する。
   • 別のニューラルネットワーク $h(m', \theta')$ を CP タグ付きデータで訓練し、$\cos \Delta \delta$ を学習する。
   • ネットワーク $h$ は $\tanh$ 活性化関数を通じて $[-1, 1]$ の範囲に制約される。
   • 干渉観測量は $C = \sqrt{K\bar{K}}h$ および $|S| = \sqrt{K\bar{K}}\sqrt{1-h^2}$ として構成される。この構成により、三角関数的制約が定義上、すべての点で満たされることが保証される。
   • 共鳴付近の急速な振動を捉えるため、$h$-ネットワークは標準的な ReLU ベースの MLP よりも高周波数特性に適した SIREN（Sinusoidal Representation Network）アーキテクチャを採用する。

2. 遅延制約強制（3-フロー）:

   • 3 つの独立した NF を訓練する。1 つはフレーバータグ付きデータ（$K$ の学習）用、残り 2 つは CP 偶数および CP 奇数タグ付きデータ（密度 $p_+$ および $p_-$ の学習）用である。
   • 観測量 $C$ は CP 密度から代数的に抽出される。
   • フローが独立しているため、統計的揺らぎにより $C^2 > K\bar{K}$（結果として負の $S^2$）となる非物理的な領域が生じ得る。
   • 制約 $C^2 \leq K\bar{K}$ を強制するため、局所的な近傍平均を含むポスト処理ステップが適用される。

抽出された連続関数は、$r_B$、$\delta_B$、および $\gamma$ を決定するために、$B^\pm \to DK^\pm$ データに対するバインなし最尤フィッティングに使用される。

主要な貢献

• バインなし密度推定: 本論文は、$\gamma$ の抽出への正規化フローの最初の応用を紹介し、ダリッツ図の柔軟なノンパラメトリック表現を提供する。これは、より大規模な $D$ 崩壊データセットとともに系統的に改善される。
• 制約処理: 振幅と位相観測量間の非線形三角関数的制約を機械学習アーキテクチャに組み込むための 2 つの戦略を実証し、「ハード」制約（アーキテクチャ設計による）と「ソフト」制約（ポスト処理による）を比較する。
• 高周波数物理学への SIREN の活用: 標準的なニューラルネットワークが解決に苦慮するダリッツ図に見られる急速な位相変動のモデル化における SIREN アーキテクチャの有用性を強調する。
• バイアスと不確かさの分析: 統計的不確かさを定量化し、NF 近似によって導入される系統的バイアスを検出するために、シミュレートされたデータセットのアンサンブルを用いた厳密なクロージャテストを提供する。

結果
これらの手法は、ベンチマークパラメータ（$r_B=0.1, \delta_B=130^\circ, \gamma=70^\circ$）を用いてモンテカルロ生成データでテストされた。

• 忠実度: NF は、狭い共鳴構造を含む入力アイソバールモデル密度を成功裡に再現した。学習された密度のアンサンブル平均は、真のモデルと高い忠実度で一致する（フレーバーフローで点ごとの $1\sigma$ カバレッジが約 95%、CP フローで約 96-97%）。
• パラメータ抽出: 両手法とも、統計的不確かさの範囲内で注入された $\gamma$ の値を成功裡に回復した。
• 手法の比較:
  • $h$-ネットワークアプローチは、3-フロー法と比較して、異なるデータセット間での抽出パラメータの分散が小さい。これは、3-フロー法で数値的修復を必要とする非物理的値を防ぐ組み込み制約に起因する。
  • 3-フロー法は、特に共鳴ピーク付近の非物理的 $S^2$ 値を修正するために近傍平均が必要となる場合、不確かさの変動がわずかに大きい傾向を示す。
• バイアス: 統計的に有意な系統的バイアスは発見されなかった。潜在的なバイアスに関する推定上限は小さく（$\gamma$ および $\delta_B$ で約 $1^\circ$、$r_B$ で約 0.002）、シミュレートされたデータセットの統計的不確かさと同等かそれ以下である。

意義と主張
本論文は、$\gamma$ のバインなし抽出のための原理実証としてこの作業を提示する。著者らは以下を主張する。

1. NF ベースのアプローチは、$D$ 崩壊サンプルサイズが増大するにつれてバイン法に対して系統的な改善をもたらす。これは、バイン法において $c_i$ および $s_i$ パラメータの精度が向上するのと同様である。
2. この手法はアイソバールモデルに関連する回避不可能なモデル化誤差を回避しつつ、バインアプローチよりも多くの位相空間情報を保持する。
3. 提案されたアーキテクチャは有意なバイアスを導入しないため、LHCb および Belle II での将来の実験実装の viable な候補となる。

著者らは明示的に、現在の実装は独立して訓練されたフローのアンサンブルを介して統計的不確かさを伝播させており、検出器分解能や背景事象などの系統的実験誤差はまだ捉えていないと指摘している。将来の作業では、学習された密度に対する直接的不確かさ推定を外部アンサンブルなしで提供するためにベイズ的正規化フローを探求すべきであり、実データ適用のために検出器効果を組み込むように手法を拡張する必要があると示唆している。本論文は、結果を相互検証し、潜在的な系統的影響を特定するために、従来のバイン法と提案されたバインなし NF 法の両方を並行して追求することを提唱している。