Event Generation with Parallel Langevin Sampling and Learned Stein Diagnostics

技術要約：並列ランジュバン・サンプリングと学習型シュタイン診断を用いたイベント生成

問題提起
精密な衝突型物理学の現象論は、特に高多重度の終状態におけるモンテカルロ（MC）イベント・サンプルの生成において、重大な計算上のボトルネックに直面している。主なコストは、ハードな陽子・陽子衝突の微分断面積のサンプリングから生じるものであり、そこでは行列要素（matrix-element）の評価が非常に高価である。Vegasアルゴリズムや物理学に基づいた改良に大きく依存する現在の標準的な手法は、主に棄却サンプリング（rejection sampling）に基づいている。このアプローチは、多重度が増加するにつれてアンウェイト化効率（unweighting efficiency）が低下し、しばしば数桁にわたって悪化するという問題を抱えている。正規化流（normalizing flows）などの近年の機械学習手法は効率を向上させているものの、本質的には棄却サンプリングとそのそれに伴う非効率性に依存したままである。

手法
著者らは、データ駆動型の収束診断によって拡張された、アンダーダンプ・ランジュバン・アルゴリズム（ULA）を用いた並列マルコフ連鎖モンテカルロ（MCMC）に基づく代替フレームワークを提案している。

• 並列アンダーダンプ・ランジュバン・サンプリング： 単一の長い連鎖を実行する代わりに、この手法はハードウェア・アクセラレータ上で多くの独立したマルコフ連鎖を並列に進化させる。連鎖内の自己相関を排除するため、各連鎖の終端状態のみをアンウェイト・イベントとして保持する。連鎖は、ステップ間に運動量を保持し、離散化バイアスを補正するために各提案の後にメトロポリス・ヘイスティングス（MH）補正を適用するアンダーダンプ・ランジュバン動力学を利用する。
• ミラー空間のダイナミクス： 物理的な位相空間は有界（$x \in [0, 1]^d$）であるが、ULAは自然に $\mathbb{R}^d$ 上で定式化されているため、進化は要素ごとの変換（逆誤差関数）を用いた「ミラー空間」内で行われる。これにより、制約のないアルゴリズムの収束特性が維持される。
• 学習型シュタイン不一致（LSD）による診断： 連鎖のアンサンブルが定常状態（すなわち標的分布）に達したかどうかを判断するために、著者らは学習型シュタイン不一致（Learned Stein Discrepancy）を採用している。カーネルベースのシュタイン不一致がサンプルサイズ $n$ に対して二次的にスケール（$n^2$）するのに対し、LSDはニューラルネットワークのクリティックを用いて、サンプル数に対して線形に不一致を推定する。これにより、収束の効率的なモニタリングが可能となる。
• 鋭い境界の処理： 物理的な断面積には鋭い位相空間カットが含まれる。シュタイン演算子がハードな境界の存在下でも有効であることを保証するために、スカラー境界関数 $h(x)$ が導入される。この関数はカット表面上でゼロとなり、境界への寄与がシュタイン演算子内で正しく処理されることを確実にする。
• サロゲートによる初期化： 高価な厳密な行列要素および勾配評価の数を減らすために、限られた位相空間点に対してニューラルネットワークのサロゲートが学習される。連鎖はまずこのサロゲートを用いて平衡化を加速させ、その後、終了前の短いシーケンスの間、厳密な標的密度へと切り替えられる。

主要な貢献

1. アルゴリズム・フレームワーク： 並列ULA連鎖と学習型シュタイン不一致の統合により、棄却サンプリングに頼ることなく、厳密にアンウェイト・イベントを生成する手法を提供する。
2. 収束診断： 実用的なデータ駆動型エスティメータとしての学習型シュタイン不一致の適用により、緩和時間（$t_{rel}$）を決定し、システムが連鎖を進化させるタイミングおよびサンプルを受け入れるタイミングを判断できるようにする。
3. サロゲートによる加速： 単純なニューラルネットワーク・サロゲートが、緩和に必要な厳密な標的評価の数を大幅に削減できることを示し、MCMC連鎖の「ウォームスタート」として機能することを示す。
4. 境界処理： コライダー物理学で一般的な鋭い位相空間カットを考慮した、特定のシュタイン演算子の定式化。

結果
本手法は、グルオン多重度 $n = 0, 1, 2, 3$ のツリーレベル $u\bar{u} \to Z + ng$ イベント生成に適用された。

• 収束： 学習型シュタイン不一致は、連鎖の収束を正常に追跡した。検討された多重度において、緩和には厳密な標的へのULAステップのわずかな回数しか必要とされず、多重度の増加に伴う増加も緩やかであった。
• 効率の向上： サロゲート初期化の使用は、厳密な行列要素評価の必要数を大幅に減少させた。例えば、$Z+3g$ の場合、緩和時間はサロゲートなしの115ステップから、サロゲートありの55ステップへと低下した。
• 検証： ULA連鎖からの終端サンプルは、独立したVegasによる推定値と比較して、統計的な不確かさの範囲内で物理的観測量（横運動量 $p_T$、ジェット解像度スケール \sqrt{d_{01}、ラピディティなど）の分布を再現した。

意義と主張
本論文は、勾配ベースの並列MCMCが、多重度とともにアンウェイト化効率が著しく低下する領域において、棄却ベースのイベント生成に代わる実用的な選択肢であることを主張している。著者らは、彼らの手法が、効率を維持するために最大重みがキャップされる際に発生する残留重数を回避し、厳密にアンウェイトされたイベントを生成することを強調している。

本手法の計算オーバーヘッドは、行列要素の評価コストと比較して無視できる程度であると説明されている。このアプローチは自然に並列化されており、GPU/TPUでの実行に適している。著者らは、現在の研究が固定されたパルトン・チャネル、ツリーレベルの行列要素、および単純な位相空間マップに焦点を当てているものの、並列連鎖、明示的な緩和時間診断、およびサロゲート初期化の組み合わせは、高価な厳密な標的の評価を最小限に抑えるイベント生成への具体的な道筋を提供すると述べている。著者らは謙虚な姿勢を保ち、より広範な比較やスケーリング挙動については、最終的にフル・イベント・ジェネレーター・プログラム内でのテストが必要であるとしている。