S-matrix informed neural networks for amplitude analysis

技術要約：振幅解析のためのS行列情報付きニューラルネットワーク

問題提起
有限でノイズを含み、互いに矛盾する実験測定値から散乱振幅を再構成することは、粒子物理学、特にハドロン相互作用の理解や新物理の探索において中心的な課題となる、不良設定（ill-posed）の逆問題である。従来の解析は、振幅をパラメータ化するために固定された関数形式（例：ブライト・ウィグナー、K行列、分散的フィット）に依存している。これらの手法は、本質的なモデル依存性を伴う。すなわち、抽出される共鳴パラメータ（質量、幅、結合定数）および不確かさは、選択されたアンザッツ（仮定）に条件付けられる。さらに、グローバルなデータセットには、異なる実験結果が公表されている不確かさを超えて相違するという緊張関係（tension）が含まれることが多い。標準的なパラメータ化は、アドホックな決定なしに相反するデータを適合させるにはあまりに硬直的であり、隠れたバイアスを導入することなく、ユニタリティー、解析性、およびクロス・シンメトリー（交差対称性）という基本的なS行列の原理を同時に満たすことも困難である。

手法：S行列情報付きニューラルネットワーク (SINNs)
著者らは、第一原理を厳格に遵守しながらデータから散乱振幅を学習するための、S行列情報付きニューラルネットワーク（SINNs）を利用したフレームワークを導入している。この手法は、以下の4つの統合されたコンポーネントで構成されている。

1. ハイブリッド・ニューラル・アーキテクチャ:

   • 構造: 共有の「トランク（幹）」ネットワークと、複数の特化した「ヘッド（頭部）」ネットワークで構成されるマルチタスク・アーキテクチャ。トランクは散乱振幅の共通表現を学習し（クロス・シンメトリーを強制）、ヘッドは特定の部分波出力（位相シフトおよび非弾性散乱）を生成する。
   • ハード制約: ポストプロセッシング層により、「ハード」な物理制約を代数的に強制する。これには、閾値挙動（障壁因子 $q^{2\ell+1}$ を介して）およびユニタリティー（$\eta$ の範囲を $0 \le \eta \le 1$ とする非弾性マップ）が含まれる。これにより、損失関数のみを通じて制約を課す場合に比べて、探索空間が縮小され、学習の安定性が向上する。
   • ソフト制約: ロイ方程式（Roy equations）に基づくマルチオブジェクティブ（多目的）損失関数を用いて、解析性とクロス・シンメトリーを数値的に課す。

2. カリキュラム学習と損失設計:

   • 学習は、データ忠実度（$L_{data}$）、ロイ方程式の残差（$L_{Roy}$）、および散乱長の一貫性項（$L_{con}, L_{SL}$）からなる複合損失関数を最小化する。
   • 最適化を安定させるために、6段階のフェーズからなるカリキュラム学習が採用されている。学習は、物理制約を無視したデータ駆動型の学習から始まり、徐々にロイ方程式のペナルティと散乱長の一貫性項を導入していく。これにより、最適化アルゴリズムが、物理制約を満たしてはいるもののデータの記述に失敗するという自明な解に収束してしまうことを防ぐ。
   • 損失関数は、異なる実験の不確かさを扱うために、非正規化最小二乗法と標準的な $\chi^2$ を補間する特定の重み（$w_\chi$）を用いた、目的関数の加重和を利用している。

3. データ選択のためのスペクトル応答クラスタリング:

   • 矛盾するデータセットに対処するため、著者らは再現可能な新しいデータ選択手順を提案している。
   • メカニズム: 制約付きSINNのアンサンブルを訓練する。各ターゲット実験に対して、その実験の重みを増やしてネットワークを再学習させる。その結果生じる他のすべての実験の適合度（$\chi^2$）の変化を測定し、「応答行列（response matrix）」を構築する。
   • クラスタリング: この行列を、スペクトル分解によって低次元のユークリッド空間へと埋め込む。ウォード連結法（Ward linkage clustering）を用いて、実験間の相互適合性に基づいて実験をグループ化する。正のテンション（不適合性）を示すグループは、一貫したサブセットが残るまで反復的に除去される。

4. 不確かさの定量化:

   • 不確かさは、ガウス複製法（Gaussian replica method）とディープアンサンブルを組み合わせて推定される。データポイントは、実験的な不確かさ（DIRACのような非対称誤差のためのスプリットノーマル分布を含む）に従ってリサンプリングされ、新しいネットワークがこれらのレプリカ上で訓練される。
   • 最終的な不確かさのバンドは、制約付き振幅の経験的分布を表し、統計的ノイズとモデルの変動の両方を捉える。

主な結果
このフレームワークは、歴史的なデータの不一致と複雑な動力学（広範な $\sigma/f_0(500)$ や狭い $f_0(980)$ を含む）を特徴とする低エネルギー $\pi\pi$ 散乱に適用されている。

• 振幅の再構成: SINNアンサンブルは、選択された実験データを高い忠実度で記述する、滑らかでモデルに依存しない部分波振幅（$S_0, P_1, S_2, D_0, D_2, F_1, G_2$）を生成する。結果は、$\rho(770)$ 共鳴や $K\bar{K}$ 閾値付近の挙動といった既知の特徴を再現している。
• 分散的充足: 再構成された振幅は、有効領域（$\sqrt{s} < 1.1$ GeV）において、ロイ方程式（ユニタリティー、解析性、およびクロス・シンメトリーの定量的実現）を満たしている。直接的なSINN出力とロイ再構成振幅の間の残差はゼロと矛盾しない。
• 散乱長: 抽出された散乱長（$a_0^0 = 0.222^{+0.014}_{-0.014}$ および $a_0^2 = -0.041^{+0.005}_{-0.006}$、単位は $m_\pi^{-1}$）は、従来の分散的解析（Colangeloら、García-Martínら）と一致しており、「ユニバーサルバンド」およびDIRACの制約内に収まっている。
• データ選択: スペクトル応答クラスタリングは、不適合なデータセット（例：Protopopescu VI/XIII、特定のGrayerおよびHyamsのサブセット）を特定して除去することに成功し、総損失を大幅に減少させ、従来のグローバルフィットを悩ませていた緊張関係を解消した。

検証と頑健性
著者らは、結果が特定のニューラルアーキテクチャや学習の選択によるアーティファクトではないことを保証するために、厳格な検証を行っている。

• アーキテクチャの独立性: 21次元のハイパーパラメータ探索と100の異なるアーキテクチャを用いたスイープにより、観測量の中心値が生成モデルと統計的に区別できないことが示され、モデルアーキテクチャのバイアスが無視できることが示された。
• クロージャテスト（閉鎖試験）: パイプラインは、既知の制約付きデータへの適合（CFD）パラメータ化から生成された合成データに適用された。SINNは、最小限のバイアス（$|z| < 0.4$）で入力振幅と散乱長を再構成することに成功し、既知の真理を回復するパイプラインの能力を確認した。
• アブレーション研究: ロイ方程式の制約を取り除いた場合（$L_{Roy}=0$）、散乱長に大きなシフトが生じ、不確かさが増大した。これは、たとえデータ適合度（$L_{data}$）が変わらなくても、閾値挙動を正則化し、物理的に意味のある結果を提供するために分散的制約が不可欠であることを示している。

意義と主張
本論文は、物理制約付きの表現学習、自動化されたデータ選択、および厳格な不確かさの定量化を統合した統一的なワークフローを提示していると主張している。

• モデル独立性: 固定された関数形式を取り除くことで、本手法は、S行列の原理を尊重しつつ、データに振幅の形状を決定させることを可能にし、それによってモデル選択に関連するエピステミック（認識論的）な不確かさを軽減する。
• 不整合の処理: スペクトル応答クラスタリングは、不整合なグローバルデータセットから適合するデータを選択するための、客観的で再現可能な方法を提供する。
• 転用可能性: 著者らは、このワークフローが他の散乱過程（例：$\pi K, \pi N$）や、不整合なデータに制限された他の制約付き物理問題にも転用可能であると主張している。
• 将来の有用性: 生成された制約付き振幅と相関不確かさは、ミューオン $g-2$ へのハドロン真空偏極の寄与などの精密観測量への伝播に適しており、また共鳴極の抽出のために複素平面へと解析接続することも可能である。

結論として、SINNsは、従来のパラメータ化に対する堅牢で体系的な代替案を提供し、硬直的なアンザッツに頼ることなく、ノイズの多いデータを適合させること、第一原理を満たすこと、および不確かさを定量化することの間の相反する要求をうまくバランスさせている。