Calibration of electromagnetic shower features in the CMS calorimeter with machine-learning techniques

高エネルギー物理学の世界において、科学者たちは単に粒子を見ているのではありません。彼らは、少なくとも彼らの頭の中で、粒子を「構築」しているのです。陽子が光速に近い速度で衝突するときに何が起こるかを理解するために、研究者たちは膨大なコンピュータ・シミュレーションに頼っています。これらのデジタルモデルは現実の鏡として機能し、粒子がどのように振る舞い、どのように散乱し、検出器にどのような跡を残すべきかを予測します。もしシミュレーションが収集された実データと一致すれば、科学者はそのモデルを宇宙の秘密を解き明かすためのものとして信頼することができます。しかし、もしシミュレーションがわずかに異なっていたら――例えば、粒子がエネルギーのシャワーを放出する方法や、検出器の物質と相互作用する方法を誤って表現していたら――それらの小さな誤差は大きな間違いへと成長し、新しい発見を隠したり、あるいは偽の発見を生み出したりしてしまう可能性があります。目標は常に、デジタルな鏡をできる限り完璧にすることです。そうすることで、科学者がデータの中に信号を見たとき、それが真実であり、コードのグリッチ（不具合）ではないと確信できるようにするためです。

これは、CERNのコンパクト・ミューオン・ソレノイド（CMS）検出器を用いて研究を行っている物理学者チーム、CMSコラボレーションが直面している課題です。最近の研究において、彼らはある執拗な問題に取り組みました。それは、彼らの電磁シャワー（電子や光子によって生成されるエネルギーの連鎖）のコンピュータ・シミュレーションが、2022年の陽子・陽子衝突中に収集された実世界のデータと完全には一致していなかったという問題です。不一致は微妙ではありましたが、特にエネルギー堆積の形状や、粒子が周囲からどの程度孤立しているかという点において、無視できないものでした。これを解決するために、チームは機械学習を活用しました。それは、既存の物理モデルを置き換えるためではなく、シミュレーションに対して「より実物に近く見えるように」教え込むための手段です。彼らは、デジタルなイベントを再校正するための2つの異なる手法を開発し、データが分析される前に、コンピュータが自分自身の間違いを修正するように効果的に訓練しました。

研究者たちは、クリーンでよく理解されているイベントのサンプル、すなわちZボソンが電子と陽電子に崩壊するイベントから開始しました。これらの特定のイベントを選択することで、他の粒子の相互作用によるノイズから解放された、純粋な電磁シャワーの流れを分離することができました。次に、彼らはこれらのシャワーの特徴を、シミュレーション上のものと、CMS検出器によって実際に収集されたデータ内の特徴と比較しました。データは、重心エネルギー13.6テラ電子ボルトでの26.7フェミトバルンの衝突から得られたものです。シミュレーションは概ね良好ではありましたが、エネルギーが検出器の結晶全体にどのように広がるか、また、どれだけのエネルギーが周囲の領域に漏れ出すかという点において偏差を示していました。これらの違いは、信号が本物の電子であるか、あるいは背景事象の模倣者であるかを判断するコンピュータの粒子識別アルゴリズムに対し、わずかに誤った情報が供給されていることを意味していました。

このギャップを埋めるために、チームは2つの異なる機械学習手法を適用しました。第一の手法である「リウェイティング（重み付け）」は、すべての個々のシミュレーション・イベントに対して新しい重要度のスコアを割り当てることで機能します。教師が教室で、生徒たちに「特定の記述に当てはまる者は手を挙げなさい」と指示する場面を想像してみてください。もしシミュレーションにおける該当する生徒の数が、実際のクラスの人数よりも少ない場合、教師はその数少ない生徒たちに対し、「君たちは2人、あるいは3人としてカウントしなさい」と指示します。同様に、機械学習の分類器は、シミュレーションと実データの両方を区別することを学習しました。そして、一種の比率を計算し、シミュレーションに対して「このイベントは実データに少し似ているので、もっと多く数えなさい」、あるいは「このイベントは違いすぎるので、少なく数えなさい」と効果的に指示を出しました。この手法は、イベント自体を変更することなく、各イベントが発生する確率を調整し、複雑で高次元な特徴空間全体に適用できる連続的な補正を生み出しました。

第二の手法である「ノーマライジング・フロー（正規化流）」は、より直接的なルートを取りました。単にイベントのカウント数を変えるのではなく、この技術はシミュレーション内の特徴量の値を物理的に変化させます。それは、シミュレーションされたシャワーの分布を、実際のシャワーの分布へと変形させる数学的な変換を学習しました。もしシミュレートされたシャワーが狭すぎれば、フローはその幅を広げ、もし孤立しすぎていれば、フローはその粒子を隣接するものに近づけます。このプロセスは、粘土を成形するようなものです。素材自体は同じですが、その形が型に合わせて調整されます。決定的なのは、この変換がイベントの運動学的特性（粒子の運動量や位置など）に条件付けられて学習されたことであり、これにより、粒子がどこにいても、あるいはどれほどの速さで動いていても、補正が正しく適用されることが保証されました。

両方の手法は、学習中に見ていない別のデータセットを用いてテストされました。結果は驚くしいものでした。補正を行う前は、粒子識別のスコアにおいて、特に稀なイベントが発生する分布の裾の部分で、実データとの明確な不一致が見られました。しかし、リウェイティングまたはノーマライジング・フローによる補正を適用した後、シミュレーションとデータの合致度は劇的に改善しました。分布の形状は整列し、以前は科学的な測定において大きな安全マージンを必要としていた偏差は大幅に減少しました。研究者たちは、両方の手法が、個々の変数だけでなく、それらの間の複雑な相関関係をも捉え、高次元の特徴空間を正常に補正したことを見出しました。

しかし、これら2つの手法にはそれぞれ異なる強みと限界がありました。リウェイティング手法は、イベントの値を変えずに全体の構造を維持することには優れていましたが、シミュレーションとデータが非常に異なる領域では、大きな重みの補正が生じ、サンプルの統計的な力が低下してしまうことがありました。場合によっては、チームは大きな変動を防ぐために、特定の学習特徴を除外しなければなりませんでした。一方、ノーマライジング・フロー手法は、データを直接成形することで、大きな不一致に対してもより柔軟に対応できましたが、補正された特徴量を粒子識別アルゴリズムを通じて再評価するというステップを追加する必要がありました。さらに、リウェイティング手法はイベントの値をそのままにするため自然に物理法則を維持しますが、ノーマライジング・フロー手法は、非物理的な構成を作り出さないよう注意深く監視する必要がありました。ただし、チームは今回の特定の用途においては、そのリスクは無視できる程度であると考えています。

この研究は、これらの機械学習手法が、シミュレーションのみの疑似データを用いた従来のテストから一歩進んで、実際の衝突データに成功裏に適用できることを実証しました。シミュレーションをデータに一致させることで、研究者たちは、そのような測定において通常問題となる系統誤差を低減できることを示しました。これは、ヒッグス粒子が2つの光子に崩壊する現象の探索といった将来の解析が、より高い精度で行えるようになることを意味します。また、本研究は、シミュレーションがどこで失敗しているかを特定することの重要性も浮き彫りにしました。アルゴリズムによって必要とされた大きな補正は、検出器のモデリングにおける特定の領域（ハドロンカロリメータのノイズ閾値など）を直接指し示しており、チームはそれを次回のシミュレーションの反復に向けて修正することができました。

最終的に、この研究は粒子物理学者に新しいツールキットを提供します。それは、機械学習が単に粒子を分類するだけでなく、シミュレーションに対して、それが記述しようとしている現実に対してより誠実であるように教え込む「校正ツール」として機能できることを示しています。高次元空間にわたる連続的でビンを用いない（unbinned）補正を提供することで、これらの手法は、複雑なデータのニュアンスを見落としがちな単純なビン分けによる調整を超えていくことを可能にします。CMS検出器におけるこれらの手法の成功は、これらが解析チェーンの標準的な一部となり、新しい物理学の探索の焦点を絞り込み、科学者が見出す信号が可能な限り明確で信頼できるものであることを保証する助けとなることを示唆しています。論文は、これらの手法は強力ではあるものの、それらが扱うデータの性質や独自の限界を理解した上で、慎重に適用されなければならず、そうすることで初めて、デジタルな鏡が宇宙を最高の忠実度で映し出すことができるのだと結論付けています。