Contrastive Learning for Interpretable Anomaly Detection at Collider Experiments

大型ハドロン衝突型加速器（LHC）を、世界最強の粒子衝突マシンだと想像してみてください。これは陽子を互いに光速に近い速度でぶつけ合い、新しい粒子の混沌とした爆発を引き起こします。物理学者たちは、「新物理学」――現在のルールブックである標準模型には当てはまらない、謎の粒子や力を探し求めています。問題は、これらの新しい粒子が、何十億もの退屈で平凡な衝突の中に隠された、干し草の山の中の針のような存在であることです。これを見つけるために、科学者たちは「異常検知（アノマリー検知）」を使用します。これは、例えるなら、通常の群衆は無視し、奇妙な動きをする者だけを呼び止めるパーティーの警備員のようなものです。

しかし、従来の警備員には2つの大きな欠点があります。第一に、彼らはパーティーの騒々しさ（衝突のエネルギー）や、踊っている人の数（粒子の数）に惑わされることがあり、単にエネルギッシュであるという理由だけで、正常なイベントを不審なものとしてフラグ立てしてしまうことがあります。第二に、警備員が誰かを呼び止めたとしても、その「理由」を説明できません。彼らはただ「この人は変だ」と言うだけで、その人がスパイなのか、迷子の観光客なのか、あるいは単に面白い帽子を被っているだけなのかを教えてくれないのです。この論文は、ORCAと呼ばれる、よりスマートな新しい警務システムを紹介しています。これは、奇妙な動きをする人々をより正確に見つけ出すだけでなく、その「奇妙さ」がどのような種類のものなのかを正確に説明できるものです。

---

ORCAの手法：二段階の探偵物語

著者であるHaoyi Jia、Sagar Addepalli、Julia Gonskiは、ORCA（Organized Representation via Contrastive learning for Anomaly detection）と呼ばれる新しいフレームワークを提案しています。ORCAを、警備員が探し始める前に、パーティー会場の混乱を整理するための二段階のプロセスだと考えてください。

ステップ1：「仕分け役」（対照学習）
巨大なレゴブロックの山があり、それが城、宇宙船、レーシングカーといった異なるセットから混ざり合っていると想像してください。もしそれらをただ箱に投げ入れてしまうと、どのブロックがどのセットに属しているのか判別するのが難しくなります。従来の手法は、その山全体を再構築しようとしますが、すべてのセットに共通して見える赤いブロックなどに惑わされがちです。

ORCAの最初のステップは、**対照学習（Contrastive Learning）**という技術を使用します。これは、何かを組み立てる前に、ブロックをその「種類」に基づいて明確な山へと分類する、非常に賢い教師のようなものです。モデルは、48種類の標準模型のプロセス（「既知の」物理学）を用いて学習を行い、それらを「シングル・ベクター・ボソン」や「トップ・ペア」といった14のカテゴリーにグループ化します。モデルは、異なるセットのブロックを仮想空間内で遠くに押しやり、同じセットのブロックは近くに保つように学習します。

その結果、高度に整理された「埋め込み空間」が得られます。生のデータの乱雑な山ではなく、モデルは今や、あらゆる既知の物理イベントがそれぞれの明確な「近所（ネイバーフッド）」を持つ、整然とした地図を持っています。これにより、第一の問題が解決されます。モデルは、粒子の種類によってデータを整理済みであるため、純粋なエネルギーや粒子の数によって混乱することがなくなります。

ステップ2：「警備員」（オートエンコーダー）
データがこれらの整然とした「近所」に整理された後、第二のステップが始まります。これは標準的なオートエンコーダーであり、警備員の役割を果たします。この警備員は、「背景（バックグラウンド）」イベント（退屈で正常なもの）のみに対して訓練されます。それは、正常な「近所」のレイアウトを完璧に再構築することを学習します。

新しいイベントが入ってくると、警備員はそれを再構築しようと試みます。もしイベントが正常であれば、警備員はそれを簡単に再構築できます。しかし、もしイベントが異常（新しい物理信号）であった場合、それは既知の「近所」のパターンに適合しません。警備員はその再構築に苦戦し、「再構築誤差（reconstruction error）」が非常に大きくなります。この誤差スコアが、異常スコアとなります。データは第一のステップによって既に整理されているため、このスコアは非常に正確であり、高いエネルギーや混雑したイベントに騙される可能性が低くなります。

彼らが発見したもの：より優れた検知と明確な説明

研究者たちは、高輝度LHCの条件を模した7億5千万回の陽子・陽子衝突のシミュレーションデータセットを用いてORCAをテストしました。彼らは、生のデータに直接アクセスする標準的なオートエンコーダーとORCAを比較しました。

1. よりスマートな検知
結果は、ORCAが新しい物理学を見つける能力において著しく優れていることを示しました。テストしたほぼすべての異なる信号タイプにおいて、ORCAは「偽の警告」をより多く無視しながら、より多くの「真の」異常を発見しました。論文の言葉を借りれば、ORCAは「幅（より多くの種類の信号を見つけること）」と「深さ（背景ノイズが非常に大きい場合でもそれを見つけること）」の両方を向上させました。唯一のわずかな例外は、特定の低質量共鳴であり、モデルは依然としてそれを背景イベントのように扱いましたが、それ以外のほぼすべてにおいて、この新しい手法は明確な勝利を収めました。

2. 「奇妙さ」の背後にある「理由」
この論文で最もエキサイティングな部分は、**解釈可能性（interpretability）**です。過去には、検出器がイベントを「奇妙だ」とフラグ立てしても、科学者たちは推測するしかありませんでした。「これは新しい粒子なのか？ それともグリッチ（誤作動）なのか？」

ORCAでは、イベントが明確な「近所」に分類されているため、科学者は「奇妙な」イベントを見て、「これはどの既知の近所に最も似ているか？」と問うことができます。彼らは**テンプレート・フィット（template fit）**と呼ばれる統計的手法を使用します。パーティーに謎のゲストが現れたと想像してください。単に「彼らは奇妙だ」と言う代わりに、「このゲストは『トップ・ペア』の近所から来た迷子の観光客に80%、『ディ・ヒッグス』の近所のスパイに20%似ている」と言うことができるのです。

論文では、データの中に偽の新しい信号を「注入」することでこれを実証しています。これを行った際、ORCAは偽の信号がいくつあるかを正確にカウントし、それらがどの既知の物理プロセスに最も似ているかを正しく特定できました。例えば、彼らが「ディ・ヒッグス」の信号を注入し、その存在をモデルに伝えていなかったとしても、モデルはそれらのイベントを「トップ・ペア」のイベントに似ていると正しく分類しました。これは、モデルが明示的に教えられていなくても、基礎となる物理構造（最終状態の粒子数など）を学習していたことを明らかにしています。

まとめ

この論文は、「探索」の前に「分類（ソーティング）」のステップを加えることで、粒子衝突器における異常検知をより強力にし、かつ理解しやすいものにできることを示唆しています。それは単に干し草の山から針を見つけることではなく、針を見つけた後に、その針の形、色、そして起源を記述できることを意味します。

著者らは、これがシミュレーションに基づく結果であることを強調しています。彼らは7億5千万回の衝突のシミュレーションデータセットでテストを行っており、まだLHCからの実データでテストしたわけではありません。しかし、このフレームワークはモジュール式に設計されています。「仕分け役」は、実際のハードウェア・トリガーで動作するように高速なバージョンに置き換えることができ、「警備員」は他のあらゆる異常検知器に置き換えることが可能です。これにより、将来の現実世界の実験が、単に新しい物理学を見つけるだけでなく、それが何であるかを即座に理解し始めるための道が開かれます。