技術要約：透明な機械学習による物理的一貫性を備えたパラメータ推論

問題の定義
高エネルギー物理学（HEP）や宇宙論におけるグローバルフィットは、数百の相関のある測定値によって制約された高次元のパラメータ空間を探索するという課題にしばしば直面する。これらの領域における尤度関数は、強いパラメータ相関、非ガウス性、複数の局所解、および伸長した「湾曲した」縮退を含む複雑なトポロジーを示すことが多い。さらに、これらの尤度を計算するために必要な理論予測の評価は、繰り込み群展開、数値的な距離積分、あるいは数百の観測量の計算を伴うことがあり、計算コストが非常に高い。従来の統計的手法（マルコフ連鎖モンテカルロ法（MCMC）やネストされたサンプリングなど）は、尤度の反復的な評価に依存しており、網羅的なパラメータスキャンを実用的なレベルで行うには不可能なほど時間がかかるか、あるいは極めて遅くなってしまう。統計的な厳密さや物理的な解釈性を損なうことなく、これら複雑な尤度ランドスケープをエミュレートできる、高速で解釈可能な代理モデル（サロゲートモデル）への切実なニーズが存在する。

手法
著者らは、勾配ブースティング決定木のアンサンブルであるXGBoost（eXtreme Gradient Boosting）を用いて、対数尤度関数（または $\chi^2$）をエミュレートするために設計された統一的な機械学習（ML）フレームワークを提案している。このフレームワークは、以下の3つのコアコンポーネントで構成されている。

1. 代理モデルの構築:

   • 学習データの生成: 学習データセットはハイブリッド戦略を用いて構築される。全事前分布の体積をカバーする空間充填デザイン（ラテン超立方体サンプリングやソボル列を使用）と、フィットのヘシアンから導出された最良適合領域付近に集中させた高密度なガウス雲を組み合わせる。これにより、広範なパラメータ空間と、狭く異方的な縮退の両方をカバーすることを保証する。
   • 能動学習（アクティブラーニング）: 尤度が疎である領域や鋭い構造を持つ領域では、能動学習ループによってデータセットを精緻化する。ガソニアン過程（GP）サロゲートが不確実性を予測し、獲得関数（期待改善量）が、エミュレートされた尤度を最も改善する地点を選択して、新しい点での正確な評価を段階的に集中させる。
   • ターゲット変換: $\chi^2$ 値の膨大なダイナミックレンジ（$\sim 10^3$ から $10^6$ まで）を扱い、最小値付近の狭い信頼領域を確実に解像するために、著者らは特定のターゲット変換を採用している。これには、フレーバー・フィットのための直接的な対数尤度、アキシオン様粒子（ALP）のためのシグモイド変換を用いた2段階の分類器＋回帰器戦略、および宇宙論のためのシフトされた $\log_{10}$ 変換（$y = \log_{10}(\chi^2 - \chi^2_{\min} + 1)$）が含まれる。このシフトにより、絶対的な $\chi^2$ 値に関わらず、最小値を一貫して変換の急峻な領域へとマッピングする。

2. SHAPによる解釈性:

   • MLの予測が物理的に一貫していることを確実にするため、フレームワークは**SHAP（Shapley Additive exPlanations）**値を利用する。協力ゲーム理論に基づくSHAPは、各特徴量（モデルパラメータ）の予測への限界的な寄与を定量化する。
   • 決定木アンサンブルに対して多項式時間で正確なSHAP値を計算するために、TreeSHAPアルゴリズムが使用される。これにより、モデルに依存しないパラメータの重要度のランキングを提供し、非線形な依存関係を明らかにし、サロゲートが数値的なノイズではなく基礎となる物理を捉えていることを保証する。

3. 事後分布の探索:

   • エミュレートされた $\chi^2$ は、並行ランダムウォーク・メトロポリス・ヘイスティングス法を用いてサンプリングされる。相関のある空間での混合を改善するため、提案共分散はフィット共分散のコレスキー因子に設定される。
   • クローズ判定テスト: サロゲートは、受け入れられた点における $\Delta\chi^2$ の分布を期待される $\chi^2$ 分布（ウィルクスの定理）と比較することによって、また宇宙論の場合には、複数の独立したバックエンド（Astropy, CPU, GPU）を介して得られた正確な尤度とエミュレートされた事後分布を直接比較することによって、検証される。

主な適用事例と結果
本フレームワークは、次元と複雑さが段階的に増加する3つの異なるグローバルフィット・アプリケーションによって検証されている。

1. 半レプトン的Bメソン崩壊におけるフレーバー異常（SMEFT19）:

   • 背景: $b \to c\tau\nu$, $b \to s\nu\bar{\nu}$, および $b \to s\ell^+\ell^-$ 遷移をSMEFT19フレームワーク（シナリオIII）を用いて解析する。
   • 性能: XGBoostサロゲートは、正確な尤度に対してピアソン相関係数 $r=0.99$ を達成した。
   • 加速: 評価速度は、約$10^5$倍向上した（1点あたり約3秒から約34マイクロ秒へ）。
   • 物理的洞察: サロゲートは、$C_1 = C_3$ の縮退の打破と、$(C_1, \beta_q)$ 平面における湾曲したリッジを正確に再現した。SHAP分析は、基礎となる演算子の構造と一致するパラメータのランキング（$C_3 > C_1 > \beta_q$）を正しく示した。決定的なのは、以前のシナリオで見られた $R_D$ と $BR(B^+ \to K^+\nu\bar{\nu})$ の間の強い相関は、$C_1$ と $C_3$ が独立に変化する場合に消失することを明らかにした点である。

2. アキシオン様粒子（ALPs）とBelle IIのアノマリー:

   • 背景: 軽量なALP（$m_a \approx 2$ GeV）による $B^+ \to K^+\nu\bar{\nu}$ の $2.8\sigma$ の超過を説明する。この尤度は、運動学的閾値や寿命に依存する崩壊確率 due to 運動学的閾値や寿命に依存する崩壊確率により、非ガウス的かつ不連続である。
   • 戦略: 関連する低 $\chi^2$ 領域を分離するための分類器（シグモイド変換）と、その後の回帰器を用いる2段階のアプローチを使用した。
   • 性能: 分類器はAUC 0.974を達成し、回帰器は $r=0.929$ に達した。
   • 加速: 評価速度は約$5.3 \times 10^5$倍向上した（約1.9秒から約3.5マイクロ秒へ）。
   • 物理的洞察: SHAPは、ALP質量（$m_a$）を最も重要なパラメータとし、次いで第3世代左手型クォークのPQ電荷（$X^3_{qL}$）および崩壊定数（$f_a$）を特定した。事後分布は、$m_a \approx 1.8$ GeV および $f_a \in [10^6, 10^7]$ GeV を正しく支持した。

3. 宇宙論（$\Lambda$CDM および $w_0w_a$CDM）:

   • 背景: ダークエネルギーパラメータ（$w_0, w_a$）を制約するために、タイプIa超新星（Pantheon+, DES）、バリオン音響振動（DESI）、および圧縮されたCMB事前分布をフィットする。
   • 検証: 他のケースとは異なり、正確な宇宙論的尤度は直接サンプリングするのに十分安価である。著者らは、4つの異なるバックエンド（Astropy, CPU, GPU, およびMLサロゲート）を用いて正確な尤度上でMCMCを実行し、得られた事後分布が統計的に区別できないことを確認した。
   • 加速: サロゲートは、ベクトル化されたCPU実装よりも3.6〜22.4倍速く、GPUカーネルよりも7.2〜12.1倍速かった。
   • 物理的洞察: サロゲートは、超新星+BAOデータにおける動的なダークエネルギー（$w_0 > -1, w_a < 0$）への嗜好性と、CMB事前分布が加えられた際の $\Lambda$CDMへの回帰を捉えた。SHAP分析は、制約の階層を正しく特定した。すなわち、CMBなしでは背景パラメータ（$H_0, \Omega_m$）が支配的であったが、CMBとともに、ダークエネルギーパラメータ（$w_0, w_a$）が最も制約されるようになった。これは物理的な等高線の引き締まりを反映している。

意義と主張
本論文は、一般的、解釈可能、かつ物理的一貫性を持つ尤度ベースの推論フレームワークを提示していると主張している。その主要な意義は、以下の点にある：

• 効率性: MLサロゲートは、高い精度を維持しながら、パラメータ空間の探索を数桁（最大$10^5$倍）加速できること。
• 堅牢性: 適応的な学習デザインとターゲット変換を通じて、滑らかなガウス型表面から、非ガウス的、不連続、かつ高度に構造化されたランドスケープまで、多様な尤度トポロジーを扱うことができること。
• 透明性: SHAP値を統合することで、典型的なMLの「ブラックボックス」的な性質を回避し、推論されたパラメータの階層と相関が、基礎となる理論と物理的に解釈可能であり、一貫していることを保証していること。
• 検証: 宇宙論への適用は制御されたベンチマークとして機能しており、加速が統計的な正確性を犠牲にしないこと、すなわちエミュレートされた事後分布が正確な計算から導かれたものと区別できないことを証明している。

著者らは、このフレームワークが他のグローバルフィット問題に容易に転用可能であり、自動化された能動学習および微分可能なエミュレータの将来の開発に向けた基礎を提供するものであると結論付けている。