DNN predictions for pp reference $p_\mathrm{T}$ spectra at unmeasured $\sqrt{s}$

本論文は、LHC ラン 1 およびラン 2 の ALICE データを用いて学習された深層ニューラルネットワークに基づく手法を提示し、LHC ラン 3 以降に関連する未測定のコアエネルギーにおける陽子 - 陽子の横運動量スペクトルを補間および外挿するものである。

要約

2 つの巨大で超高温の火の玉が衝突した際に何が起こるかを理解しようとしていると想像してください。素粒子物理学の世界では、これらは「クォーク・グルーオンプラズマ」と呼ばれる基本粒子の「スープ」を生成する重イオン衝突です。このスープを理解するためには、科学者たちは対照群を必要とします。つまり、「スープ」が形成されない条件下で、2 つの単純な粒子（陽子）が全く同じ条件で衝突した際に何が起こるかを知らなければならないのです。これを「陽子 - 陽子（pp）参照」と呼びます。

問題は、大型ハドロン衝突型加速器（LHC）が異なるエネルギーレベルに調整可能な機械であることです。科学者たちは、陽子 - 陽子衝突を測定したエネルギーレベルで実験を行うこともあれば、新しい未測定エネルギーレベルで実験を行うこともあります。特定のエネルギーに対する直接測定データがない場合、彼らはその陽子 - 陽子データがどのように見えるかを推測しなければなりません。

従来、科学者たちは以下の 2 つの方法で推測を行ってきました：

1. 理論的推測：非常に高速な粒子にはよく機能しますが、中程度の速度の粒子では不安定になる複雑な数式（pQCD など）を使用する。
2. 「点を繋ぐ」推測：2 つの既存の測定値の間を滑らかな線で結ぶこと。これは、その線が特定の単純な形状（直線や曲線など）に従うと仮定すれば機能しますが、実際のデータは波打っており複雑である可能性があります。

新しい解決策：「スマート・プリディクター」
本論文は、深層ニューラルネットワーク（DNN） を使用してその推測を行う新しい方法を導入します。この DNN を、陽子衝突データという膨大な教科書を学んだ超優秀な学生と想像してください。

• トレーニング：学生（DNN）には、LHC の ALICE 実験からのデータ（2.76、5.02、7、8、13 TeV の 5 つの異なるエネルギーレベルを網羅）が与えられました。これにより、エネルギーが変化するにつれて粒子生成がどのように変化するかのパターンを学習しました。
• 工夫：単に数字を暗記するのではなく、学生はデータの「形状」を学びました。研究者たちは、粒子数の巨大な差異が学生を混乱させないよう、データを見る特別な方法（対数を使用）を学生に教えました。
• テスト：実データに適用する前に、チームは 2 つの異なるコンピュータシミュレーション（PYTHIA と EPOS LHC）で生成された「偽」データを用いて学生をテストしました。学生は、学習した範囲よりも低くても高くても、未見のエネルギーに対するデータを正確に予測するという、優れたパフォーマンスを発揮しました。

学生が今できること
学生が信頼性があることを証明した後、チームはそれを実際の ALICE データでトレーニングしました。現在、この DNN はエネルギーレベルのためのユニバーサル・トランスレーターとして機能します。

• ギャップの埋め合わせ：科学者たちが 9.62 TeV（新しいエネルギー）で実験を行った場合、DNN は誰も直接測定していないにもかかわらず、陽子 - 陽子参照がどのように見えるかを正確に予測できます。
• 「比」の魔法：これらの予測を実用的にするため、DNN は単に生データを推測するのではなく、既知のエネルギー（例えば 5.02 TeV）と新しいエネルギーとの間の比を計算します。これは、「エネルギー A での衝突が 100 個の粒子を生産する場合、エネルギー B は 120 個を生産する」と言うようなものであり、実験の総規模に関係なく機能します。
• 比較：本論文は、この「スマート・プリディクター」が高速領域では最良の理論的数式と一致し、低速領域では単純な「点を繋ぐ」方法と一致し、他の方法が苦戦する中間領域のギャップを埋めることを示しています。

なぜ重要なのか
このツールにより、科学者たちは直接の陽子 - 陽子測定を数年待つことなく、新しい実験（LHC ラン 3 のようなもの）に対する「核変換因子（$R_{AA}$）」を計算できるようになります。これは、広範なエネルギー範囲にわたる粒子の振る舞いの連続的で滑らかなマップを提供し、データが特定の硬直的な数学的形状に従うと仮定する必要を排除します。

要約すれば、本論文は、過去の陽子衝突から学習し、まだ測定していないエネルギーでの将来の衝突で何が起こるかを正確に予測する機械学習ツールを提示しており、宇宙で最も高温の物質を研究するための信頼できる参照として機能します。

技術概要

技術的サマリー：未測定$\sqrt{s}$における pp 基準$p_T$スペクトルに対する DNN 予測

問題提起
高エネルギー重イオン衝突を介したクォーク・グルーオンプラズマ（QGP）の研究において、核修飾因子（$R_{AA}$）は重要な観測量である。その計算には、重イオン衝突と同じ核子対ごとの重心エネルギー（$\sqrt{s_{NN}}$）における基準となる陽子 - 陽子（pp）測定値が必要となる。しかし、現在または将来の重イオンランに関連する特定のエネルギーに対しては、適切な pp 測定値がしばしば利用できない。伝統的に、これらの基準は、既存のスペクトルを理論的なエネルギー依存性（高$p_T$でのみ信頼性がある）を用いてスケーリングするか、または仮定された関数形（例えば、べき乗則や$x_T$スケーリング）を用いて実験点間で補間することによって構築されてきた。これらの古典的なアプローチは、粒子生成のエネルギー依存性に関する特定の仮定に依存しており、特に中間$p_T$領域や未測定エネルギーにおいては、すべての運動量領域で成り立つとは限らない。

手法
本研究では、エネルギー依存性に対する特定の関数形を仮定することなく、深層ニューラルネットワーク（DNN）を用いたデータ駆動型のアプローチにより、測定されていない衝突エネルギーへの包括的荷電粒子の横運動量（$p_T$）スペクトルの補間および外挿を提示する。

• データセットと前処理: モデルは、LHC ラン 1 および 2 の ALICE データを用いて訓練され、5 つの衝突エネルギー（$\sqrt{s} = 2.76, 5.02, 7, 8, \text{および } 13 \text{ TeV}$）をカバーしている。データセットは、$0.15 < p_T < 10 \text{ GeV}/c$の範囲内で、エネルギーあたり 46 個の$dN/dp_T$値から構成される。性能を最適化するため、入力変数（$p_T, \sqrt{s}$）と出力（$dN/dp_T$）は対数変換を受ける。さらに、低$p_T$外挿を容易にするために、出力に$1/p_T$スケーリングが適用される。系統的不確実性は、データ点をその範囲内で 500 回変化させることで考慮される。
• モデルアーキテクチャと訓練: TensorFlow で実装された全結合 DNN が、平均絶対誤差（MAE）を最小化するために Nadam オプティマイザを用いて訓練される。アーキテクチャは、ベイジアン最適化を用いたハイパーパラメータ掃引（層数、ノード数、活性化関数、初期化子、学習率、バッチサイズを変化させる）によって決定される。この掃引には、最適なアーキテクチャを特定するために PYTHIA（Monash 2013 チューン）のシミュレーションデータが利用される。
• 不確実性の推定: 総合的な不確実性は、2 つの源から導出される。
  1. 偶然的不確実性: 同一アーキテクチャだが異なる初期化値を持つ 20 モデルのアンサンブルを訓練することで定量化される。
  2. 認識的不確実性: 異なるアーキテクチャを持つ 5 モデルのアンサンブル（ハイパーパラメータ掃引から得られた上位 5 つ）によって定量化される。
     総合的な不確実性は、これら 2 つの成分の二乗和である。
• 検証と適用: PYTHIA を通して選択されたアーキテクチャは、EPOS LHC シミュレーションの独立したデータセットに対して検証される。その後、最終的な「ALICE ベースの DNN」が実際の ALICE データで訓練される。高$p_T$外挿を改善するため、訓練データセットは$p_T = 50 \text{ GeV}/c$までべき乗則でパラメータ化されたデータで拡張される。

主要な結果

• 補間と外挿: DNN は訓練データを卓越して記述し、測定されたエネルギー範囲内で精密な補間を実現する。外挿性能は、訓練データからのエネルギー差が大きくなるにつれて低下する。偏差は、より低い未測定エネルギー（$\sqrt{s} = 1.5 \text{ TeV}$）および高$p_T$（$> 10 \text{ GeV}/c$）で最も顕著である。
• 他の手法との比較:
  • 低$p_T$において、DNN は PYTHIA シミュレーションおよびべき乗則補間とよく一致する。
  • 中間$p_T$において、DNN は約$5 \text{ GeV}/c$までべき乗則アプローチと整合性を保つ。
  • 高$p_T$において、DNN の予測は、重なり領域（$3 < p_T < 50 \text{ GeV}/c$）において NLO pQCD 計算および$x_T$ベースの補間と一致する。
  • 区間ごとのフィッティングに起因する変動を示すべき乗則補間とは異なり、DNN は滑らかで連続的な予測を提供する。
• 基準スペクトルの構築: 著者らは、LHC ラン 3 以降（$\sqrt{s} = 5.36, 6.37, 9.62, \text{および } 13.6 \text{ TeV}$）の pp 基準$p_T$スペクトルの構築を実証する。これは、ターゲットエネルギーと基準エネルギーにおける DNN 予測の比率を用いて基準測定値（$\sqrt{s} = 5.02 \text{ TeV}$）をスケーリングし、全非弾性断面積の比率で補正することによって達成される。これにより、$\sqrt{s} = 9.62 \text{ TeV}$における pO 衝突など、直接的な pp 測定が存在しない衝突に対する$R_{AA}$の計算が可能となる。

意義と主張
本論文は、DNN ベースの手法が、pp 基準スペクトルの構築に対する従来の理論駆動型または関数補間法に対する、堅牢で仮定を必要としない代替手段を提供すると主張している。スペクトルのエネルギー依存性を支配する基礎的な物理過程に関する仮定を避けることで、モデルは広い$p_T$範囲（$0.10 - 50 \text{ GeV}/c$）およびエネルギー範囲（$1.5 - 27 \text{ TeV}$）にわたって連続的な予測を提供する。著者らは、モデルが包括的荷電粒子で訓練されたものであるが、このアプローチは個々の粒子種へも拡張可能であると指摘している。この手法は、既存の測定値と将来の重イオンプログラムのエネルギー要件の間のギャップを成功裡に埋め、今後の LHC ランにおける QGP 特性の分析を促進する。