Higher-order effects in amplitude-assisted polarisation extraction with machine-learning techniques

技術要約：機械学習手法を用いた振幅補助型偏極抽出における高次効果

問題提起
衝突型加速器のデータから電弱（EW）ゲージボソンの偏極分率を抽出することは、電弱対称性の破れ（EWSB）メカニズムを解明するための極めて重要なプローブである。近年のLHC解析（Run-2およびRun-3）では、次数の低い（LO）シミュレーションに基づくテンプレートフィットを用いて、これらの分率の測定に成功している。しかし、実験精度が向上するにつれ、理論予測には高次の計算が求められている。先行研究における偏極タグ付けのための機械学習（ML）アプローチ（例えば、文献[36]で提案された振幅補助法）は、LO精度に限定されていた。LOデータで訓練されたMLモデルをNLO+PSデータに適用した場合、偏極比を正確に回帰できるのか、あるいはQCD放射によって誘起される運動学的シフトを考慮するために、訓練自体に高次の精度が必要なのかという点において、明確なギャップが存在していた。

手法
著者らは、振幅補助型偏極抽出のフレームワークを、パートンシャワーとマッチングしたNLO QCD精度（NLO+PS）へと拡張することで、このギャップに対処している。本手法は、主に以下の3つのコンポーネントで構成される。

1. 理論的枠組みと再重み付け（Reweighting）：

   • 本研究は、$\sqrt{s} = 13$ TeVにおけるジボソン過程 $pp \to ZZ \to e^+e^-\mu^+\mu^-$ に焦点を当てている。
   • 非偏極のモンテカルロ（MC）イベントから偏極サンプルを生成するために、著者らは、非偏極振幅に対する二重縦波（longitudinal）ボソンの二乗振幅を表す再重み付け比 $r_{LL} = |\mathcal{M}_{LL}|^2 / |\mathcal{M}|^2$ を定義する。
   • NLOにおいては、この比はBorn項、仮想項、および積分された実放射項を組み込んだPowheg法の $\bar{B}$ 関数を用いて構築される。再重み付けは、Powheg-Box-Res フレームワークおよび VV_pol パッケージを用いて生成された非偏極NLO+PSサンプルに対して、イベントごとに適用される。
   • この再重み付け手法の妥当性は、重み付けされた分布を偏極信号の直接シミュレーションと比較する「クロージャテスト（closure tests）」を通じて検証される。

2. 機械学習アーキテクチャ：
   本論文では、実験的にアクセス可能な観測量（終状態レプトンの運動量）のみを用いて、比 $r_{LL}$（またはそのプロキシ $\tilde{r}_{LL}$）を予測するための4つの異なる回帰アプローチをベンチマークしている。

   • 順伝播ニューラルネットワーク（FFNN）： Z+jの研究と比較して、ZZ過程の複雑な運動学を扱うために、幅と深さの比を調整した10層の隠れ層を持つディープネットワーク。
   • オートエンコーダ型ニューラルネットワーク（AE）： 16個の入力特徴量（レプトン四元運動量）を潜在表現に圧縮してからターゲットを再構成するように設計されたボトルネック構造を持つネットワーク。
   • 物理情報ネットワーク（PN）： ParticleNetに基づいたモデルであり、Lorentz不変性を確保し、学習パラメータ数を削減するために、EdgeConv層とローレンツに着想を得た前処理層を利用している。
   • ランダムフォレスト回帰（RFR）： 特定の運動学的特徴（ボソンの横運動量、ラピディティ、および静止系での崩壊角）を用いた決定木アンサンブル手法。

3. 訓練戦略：

   • モデルは、LO、LO+Sudakov、およびNLO+PS精度のデータセットで訓練される。
   • 勾配を安定させ、ネットワークが定数平均値に収束してしまうのを防ぐために、ターゲット変数にログ変換が適用される。
   • ハイパーパラメータ（学習率、バッチサイズ）は、Optunaフレームワークを用いて最適化される。

主な貢献

• NLO+PSへの拡張： 本研究は、パートンシャワーとマッチングしたNLO QCD精度における、振幅補助型偏極抽出の最初の実装を提示している。再重み付け手法が、固定次数のマッチングの文脈において近似的であるものの、直接的な偏極シミュレーションを高い忠実度（積分クロスセクションにおいて$\sim 1\%$以内）で再現することを示した。
• 高次補正がMLに与える影響： 本研究は、訓練データの精度の必要性を体系的に評価している。MLモデルをLOデータで訓練し、NLO+PSデータでテストすると、大幅な劣化（クロスセクションにおいて2～6%の偏差）が生じる一方で、マッチングされたNLO+PS精度で訓練およびテストを行うと、パーミル（1000分の1）以下の精度が得られることを発見した。
• アーキテクチャのベンチマーク： 4つの異なるMLアーキテクチャを比較した結果、すべてのモデルが位相空間の大部分で良好に動作するが、**物理情報ネットワーク（PN）およびランダムフォレスト回帰（RFR）**が、特に分布の裾（テール）において優れた堅牢性を示すことが分かった。PNモデルは、FFNN（$\sim 4$M）やAE（$\sim 1.4$M）と比較して、大幅に少ない学習パラメータ数（$\sim 60$k）で高い精度を達成している点が強調されている。

結果

• クロージャテスト： 再重み付け手順は、縦波-縦波（$LL$）および横波-横波（$TT$）の状態について、それぞれ$-0.9%$および$+0.3%$の偏差で、直接的なNLO+PSシミュレーションを再現した。混合状態については、ハード放射におけるSudakov指数の不一致に起因して、$\sim 7\%$の過小評価が見られた。
• 微分分布：
  • ポジトロンの崩壊角（$\cos \theta^*_{e^+}$）について、すべてのモデルが中心領域において真値と数パーセント以内で一致している。裾の部分では、RFRおよびPNモデルが最も優れた性能を示した。
  • ポジトロンの横運動量（$p_{T, e^+}$）について、LOデータで訓練されたモデルはNLO+PSの裾を正確に記述できない。NLO+PSデータで訓練されたモデルは、$\sim 200$ GeVまで良好な一致を示した。
  • 静止系での崩壊角を含む特定の入力特徴量を用いたRFRモデルは、全$r_{LL}$分布範囲において最も一貫した記述を提供した。
• クロスセクションの抽出： NLO+PS精度で訓練およびテストを行った場合、PNおよびRFRモデルは、$Z_L Z_L$生成のフィデュシャル・クロスセクションを真値から$0.2\%$未満の偏差で予測した。

意義と主張
本論文は、提案されたフレームワークが高精度の理論予測と実験的な偏極抽出との間のギャップを埋めることに成功したと主張している。ジボソン偏極タグ付けにおけるNLOへの拡張を通じて、以下のことを実証した。

1. 高次補正は無視できない： LHCにおける精密物理学において、LOデータでMLモデルを訓練することは不十分であり、QCD放射によって誘起される運動学的シフトを捉えるためにはNLO+PSの訓練データが必要である。
2. 効率性と堅牢性： 物理情報ネットワーク（PN）は、性能と計算コストの優れたバランスを提供しており、現象論的研究における推奨される選択肢となる。
3. 汎用性： 本研究はレプトニックな$ZZ$崩壊に焦点を当てているが、適切なイベントジェネレータが存在すれば、この手法は他のジボソン過程やハドロン崩壊にも適用可能である。

著者らは、彼らの結果がNLOにおける偏極タグ付けに関連する主要な効果を捉えており、概念的なボトルネックなしに将来的な高次摂動への拡張が可能であることを結論付けている。再重み付け手順の実装は VV_pol パッケージを通じて公開されており、再現性を確保するためにすべてのML予測も公開リポジトリで提供されている。