Pairton: Iterative Reconstruction of Short-Lived Particles

技術要約：Pairton – 短寿命粒子の反復的再構成

問題提起
高エネルギー物理学、特に大型ハドロン衝突型加速器（LHC）においては、崩壊生成物から短寿命粒子（例：トップクォーク、ヒッグス粒子）を再構成することが極めて重要な課題となっている。複雑なイベント、特にトップクォーク対（$t\bar{t}$）の全ハドロン崩壊のような、粒子多重度が高い状況では、組合せ背景事象（combinatorial background）が顕著になる。KLFitterなどの尤度ベースのアルゴリズムのような従来の手法は、検出されたジェットのあらゆる組み合わせを評価する必要があり、ジェットの多重度が増すにつれて計算コストが増大し、エラーが発生しやすくなる。近年の機械学習アプローチ（SPANet、Topograph、HyPER、TIGER）は性能を向上させてきたが、固定されたトポロジー的仮定や固定されたマスキング戦略に依存することなく、崩壊連鎖の階層的な性質とイベント全体の整合性を効果的に扱うことができるフレームワークが依然として求められている。

手法
著者らは、部分的に観測されたグラフ上の構造化された確率的推論として粒子再構成を定式化する反復フレームワークである Pairton を提案する。

1. グラフ表現:
   イベントは、ノードが検出されたジェットを表し、エッジが崩壊関係を表すグラフの集合としてモデル化される。具体的には、粒子タイプ $\alpha \in \{W, t\}$ に対する隣接行列 ($A^\alpha$) が定義される。エッジ $(i, j)$ は、ジェット $i$ とジェット $j$ が粒子 $\alpha$ の崩壊生成物である場合に存在する。自己ループは、特定の粒子に関連付けられていないジェットを示す。この表現により、構造的な割り当てを動的なペアワイズ・エッジ特徴量として扱うことが可能になる。

2. 因子分解された確率的定式化:
   再構成タスクは、$W$ ボソンと $b$ クォークへのジェットの最も確率の高い割り当てを見つけることとして定義される。結合確率分布は、条件付き確率へと因子分解される：
   $$P(W_1, W_2, b_1, b_2 | x) = P(W_1 | x) \times P(W_2 | W_1, x) \times P(b_1, b_2 | W_1, W_2, x)$$
   この因子分解は物理的な崩壊階層を反映しており、モデルが以前に推論された構造に条件付けられて、エッジを反復的に予測することを可能にする。

3. 離散拡散とマスクされたデノイジング:
   自然言語処理で使用される吸収状態離散拡散モデルに着想を得て、Pairtonは再構成を逆方向のデノイジングプロセスとして捉える。

   • 順方向プロセス: 階層的なマルコフ連鎖が、隣接行列を段階的にマスクする：まず両方の $W$ ボソンを明らかにし、次に一つの $W$ を、そして最後に何もなしの状態にする。この特定の破損スキームは、$t\bar{t}$ 崩壊の物理的トポロジーを尊重しており、中間状態が明確な物理的解釈を持つことを保証する。
   • 学習: モデル $f_\theta$ は、観測された構造とジェットの特徴量に条件付けられた、隣接行列のマスクされたエントリを予測するように訓練される。目的関数は、マスクされた条件付き尤度（バイナリ・クロスエントロピー損失）である。
   • 推論: 再構成は、完全にマスクされた状態から反復的に進行する。モデルはエッジを予測し、可視の隣接行列を更新し、この更新された構造を使用して後続の予測を条件付けることで、実質的にマスキングプロセスを逆転させる。

4. モデルアーキテクチャ:
   Pairtonは、AlphaFold3から適応された Pairformer アーキテクチャを利用する。標準的なトランスフォーマーやParticle Transformer (ParT) が固定のペアワイズ表現を使用するのに対し、Pairformerは動的にペアワイズ特徴量を更新する。

   • 入力: ジェットの特徴量（エネルギー、$p_T$、$\eta$、$\phi$、$b$タグ状態）およびペアワイズ特徴量（ダイジェット不変質量、$\Delta\eta$、$\Delta\phi$、$\Delta R$）。
   • メカニズム: アーキテクチャは、ペアワイズ特徴量から導出された学習可能なバイアス項を用いてアテンションスコアを拡張する（$S_{ij} = \frac{q_i \cdot k_j}{\sqrt{d}} + b_{ij}$）。これにより、モデルは複雑な高次テンソル上のメッセージパッシングを行うことなく、すべてのジェット間の相関状態をシームレスに組み込むことができる。

主な貢献

• 反復的グラフ再構成: 粒子再構成を、グラフ構造上の反復的なマスク予測プロセスとして扱うパラダイムを導入し、崩壊連鎖の階層的な性質を活用する。
• HEPにおける離散拡散: （以前はLLMで使用されていた）吸収状態離散拡散を高エネルギー物理学に適応させ、固定レートのマスキング（BERT型）や自己回帰型（GPT型）の手法を超越する。
• 動的なペアワイズ表現: 動的に更新されるペアワイズ・エッジ特徴量が静的な表現を大幅に上回ることを示し、この領域におけるPairformerアーキテクチャの有効性を実証した。
• 汎用フレームワーク: $t\bar{t}$ システム以外のトポロジーにも拡張可能な、柔軟なアプローチを提供する。

結果
手法の評価は、$\sqrt{s} = 13$ TeVにおける $6 \times 10^7$ 個のシミュレーションされた全ハドロン $t\bar{t}$ イベントのデータセットに対して行われた。性能は、フルイベント（$\epsilon_{t\bar{t}}$）、トップクォーク（$\epsilon_t$）、および $W$ ボソン（$\epsilon_W$）の再構成効率（$\epsilon$）で測定された。

• 最先端の性能: Pairtonは、すべてのジェット多重度において既存の手法（SPANet、Topograph、HyPER）を凌駕する。
  • 包括的なフルイベント効率: Pairtonは 0.6944 を達成した（HyPERの0.670、Topographの0.645、SPANetの0.651と比較）。
  • 高多重度: 改善はジェットが $\ge 8$ 個のイベントで最も顕著であり、Pairtonは 0.5459 のフルイベント効率に達した。これはHyPERの0.513やSPANetの0.487よりも大幅に高い。
• 質量依存性: Pairtonは不変質量スペクトル（$m_{t\bar{t}}$）全体にわたって一貫して競合他社を上回り、再構成が最も困難な低質量領域で最大の利点を示した。
• アブレーション研究:
  • Pairformerアーキテクチャは、標準的なトランスフォーマーと比較して約5%の絶対的な効率向上をもたらした。
  • 3ステップの反復的生成プロセスは、シングルステップの予測やハイパーエッジベースのモデルよりも優れた性能を示した。
  • 反復プロセスの計算コストに合わせて単にモデルの深さを増やしても、同様の利点は得られず、反復的な条件付けの価値が確認された。

意義と主張
論文は、Pairtonが現代の生成モデリング（特に離散拡散と反復的推論）と高エネルギー物理学を橋渡しすることにより、粒子再構成のための新しく、一般的で柔軟なパラダイムを確立したと主張している。

著者らは、その意義が以下の点にあることを強調している：

1. グローバルな整合性: 以前に推論された構造に条件付けることにより、モデルは自然に、確率的に妥当な方法でイベント全体の整合性制約を組み込むことができる。
2. トポロジーの柔軟性: 現在の実装は階層的な $t\bar{t}$ 崩壊に焦点を当てているが、離散拡散の定式化により任意のノイジングプロセスが可能であり、$t\bar{t}H$ のような、予測の順序が入れ替え可能なより複雑なトポロジーへの適応が可能である。
3. 性能: 本手法は、全ハドロン $t\bar{t}$ ベンチマークにおいて最先端の結果を達成しており、特に困難な高多重度環境において、反復的グラフ再構成がイベント解釈のための強力なツールであることを示している。

本研究は、すべての再構成問題を普遍的に解決すると主張するものではなく、短寿命粒子を含む他の最終状態にも容易に拡張できる堅牢なフレームワークとして位置づけられている。