⚛️ high-energy experiments

Local Diagnostics of Learned Event Representations for Anomaly Detection at the HL-LHC

本論文は、COLLIDE-2Vデータセットを用いたHL-LHCにおける異常検知のための教師ありおよび自己教師ありニューラル埋め込み戦略を評価し、教師ありアプローチが他を凌駕することを実証するとともに、モデルに依存しない検知と物理的解釈の間の溝を埋めるために、フラグが立てられたイベントをプロファイリングし観測量をランク付けするローカルな診断パイプラインを導入するものである。

原著者： Donatella Genovese, Philip Ploner, Simone Scardapane, Stefano Giagu, Thea Klaeboe Aarrestad

公開日 2026-10-12

📖 1 分で読めます🧠 じっくり読む

CC BY 4.0

原著者： Donatella Genovese, Philip Ploner, Simone Scardapane, Stefano Giagu, Thea Klaeboe Aarrestad

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

既知の宇宙の端、小さな町ほどの大きさの装置の中で、陽子が光速に近い速度で衝突している。これが大型ハドロン衝突型加速器（LHC）であり、物理学者たちが自然界の基本粒子がどのように振る舞うかを記述するルールブックである「標準模型」に、亀裂を見出そうとしている実験室である。ほとんどの場合、これらの衝突は、物理学者がこれまで何千回と見てきた馴染みのある粒子の飛散を生み出す。しかし、時として奇妙なことが起こる。衝突によって、ルールブックに適合しない破片のパターンが生じるのだ。こうした稀で異常なイベントを見つけ出すことは、何マイルも続くビーチの中から、たった一粒のユニークな砂粒を探すようなものである。課題は、「ビーチ」が数十億回の衝突で構成されており、その「粒」は、詳しく調べない限りは普通の小石のように見える可能性があることだ。

数十年にわたり、科学者たちはデータに対して特定の質問を投げかけるよう、手作業で問いを設計することでこれらの異常を探索してきた。彼らは、新しい粒子が特定のエネルギーのスパイクや特定の飛行角度として現れるかもしれないと事前に決定し、まさにそれらの兆候を狩るためのツールを構築してきた。このアプローチは、何を探しているのかが分かっている場合にはうまく機能するが、新しい物理学が誰も予想していなかったような姿をしている場合には失敗する。これを解決するために、研究者たちは人工知能を活用し、何を期待すべきかをコンピュータに教え込むことなく、データから直接「正常な」衝突の形状を学習させている。コンピュータは馴染みのあるもののメンタルマップ（精神的地図）を構築し、新しいイベントがそのマップから外れたとき、警告を発する。しかし、これは新たな問題を生む。コンピュータがイベントをフラグ立てしたとしても、なぜそれが異常なのかを説明できないことが多いのだ。「これは奇妙だ」とは言えるが、「重い粒子が多すぎるから奇妙なのだ」とか「エネルギーが欠落しているから奇妙なのだ」とは言えない。その説明がなければ、物理学者はその異常が新しい物理学の兆候なのか、それとも単なる検出器の不具合なのかを判断できない。

ある研究チームが、今この盲点を修正する方法を開発した。彼らは、加速器の次なる主要なアップグレードである高輝度LHCの条件を模した、7億5千万回のシミュレーション衝突という膨大なデータセットを用いて、自分たちのアイデアをテストした。彼らの目的は二重であった。第一に、既知の物理学（特定の種類の粒子衝突など）のラベル付き例を用いてコンピュータを教えることが、ラベルなしで教えるよりも未知のものを発見する上で優れているかどうかを確認すること。第二に、フラグを立てられたイベントがなぜ奇妙だと見なされたのかを正確に説明できる診断ツールを構築することである。彼らは、学習中に既知の衝突タイプの「名前」を見せることが、コンピュータの学習をより向上させることを発見した。これらのよりスマートな表現を用いて異常を探索したところ、人間が設計した測定法に依存する従来の手法よりも、システムはより多くの稀で隠れた信号を捉えることができた。

しかし、真のブレイクスルーは「説明」の中にあった。研究者たちは、フラグを立てられたイベントを取り込み、コンピュータのメンタルマップ内における特定の「近傍（ネイバーフッド）」に配置するパイプラインを構築した。そして、単純な問いを投げかけた。すなわち、「どのような物理的特徴が、このイベントを隣人たちから際立たせているのか？」という問いである。彼らはこれを2種類の隠れた信号に対してテストした。一つは4つの重いクォークを生成するプロセスであり、もう一つは多数のミューオンのペアへと崩壊する仮説上の粒子である。システムは、4つのクォークのイベントが「重いフレーバーを持つジェットの数が異常に多い」ために奇妙であること、そしてミューオンのイベントが「レプトンの数が異常に多い」ために奇妙であることを正しく特定した。言い換えれば、コンピュータは単に「これは変だ」と言っただけでなく、そのイベントを奇妙にしている具体的な物理的特性を指し示したのである。

興味深いことに、この研究は、これらのシステムがどのように機能するかについての、微妙だが重要な相違点を明らかにした。ミューオンのイベントについては、システムはミューオンの数が通常の衝突から区別する最も決定的な特徴であると正しく特定した。しかし、コンピュータの内部的な「奇妙さスコア」は、最も密接にミューオンの数を追跡していたわけではなく、代わりに衝突の他の二次的な特徴に対してより強く反応していた。これは、システムが異常なイベントを分離することには成功したものの、そのイベントに高いスコアを与えた理由は、物理的にユニークである理由とはわずかに異なっていたことを意味する。これは将来の探索に向けた極めて重要な洞察である。イベントが外れ値であることを知るだけでは不十分であり、科学者はどの物理変数が検出を駆動しているのかを理解しなければならない。強力な学習手法と局所的な診断ツールを組み合わせることで、研究者たちは、人工知能が干し草の山の中から針を見つけるだけでなく、その針の形までも記述できる道筋を示した。これにより、発見がなされたとき、物理学界はその発見が一体何であるのかを正確に理解することができるのである。

技術要約：HL-LHCにおける異常検知のための学習されたイベント表現の局所的診断

問題提起

異常検知（AD）は、標準模型（SM）からの逸脱を示す衝突イベントを特定することにより、大型ハドロン衝突型加速器（LHC）における新しい物理学の発見を目指す主要な戦略である。従来のADパイプラインは、手作業で作成された高次オブザーバブル（不変質量や横運動量など）に依存しており、これらは選択された特徴量の完全性と品質に制限される。近年のアプローチでは、低次レベルの検出器データから直接、低次元のイベント表現を学習するためにディープラーニングを利用しており、事前のオブザーバブル選択の必要性を排除している。しかし、これらの学習された表現は、即座に物理的な解釈性を欠くことが多い。イベントが異常としてフラグを立てられた際、「なぜ」それがフラグを立てられたのかを診断し、新しい物理学と誤モデリングや検出器効果を区別し、あるいは異常を駆動している特定の物理的オブザーバブルを特定するための体系的な手法が存在しないという、決定的なギャップが「発見パイプライン」の中に存在する。本論文は、学習された表現およびそれらから導出された異常スコアを解釈するための局所的診断の必要性に取り組むものである。

手法

データセットとイベント表現

本研究では、高輝度LHC（HL-LHC）条件を模した、現実的なパイルアップ（ $\langle\mu\rangle=200$ ）を含む7億イベントのデータセットであるCOLLIDE-2Vを使用している。イベントは「Full-Reco」レベルで処理され、解析品質の粒子フローオブジェクト（ジェット、電子、ミューオン、光子、および欠損横エネルギー）を提供する。

エンコーダー: トランスフォーマー・エンコーダーが、可変長の再構成オブジェクトのリストを固定次元の潜在空間（ $z$ ）へと写像する。
学習目的: 著者らは、2つの損失関数（SimCLRおよびVICReg）に基づく4つの構成を、自己教師あり学習と教師あり学習の両方のバリエーションで比較している。
- 自己教師あり学習: 類似性を定義するために、物理学に基づいたオーギュメンテーション（方位角回転、縦方向ブースト、 $p_T$ のスミアリング、ランダムマスキング）のみに依存する。
- 教師あり学習: 学習中にSMプロセスラベルを利用して、基礎となるハード散乱プロセスごとにイベントをグループ化する（SupConおよびVCReg）。
異常スコアリング: オートエンコーダーは、学習された潜在空間内において、支配的なSMバックグラウンド（QCD包括的）のみを用いて訓練される。再構成誤差が異常スコアとして機能する。

局所的診断パイプライン

フラグを立てられたイベントを解釈するために、著者らは軽量でラベルフリーな診断フレームワークを導入している。

分割: ガウス混合モデル（GMM）をSM訓練埋め込みに適合させ、潜在空間を $K$ 個のコンポーネントに分割する。
ラベルフリー・プロファイリング: 各GMMコンポーネントは、その中に含まれるSMイベントに対する高次オブザーバブル（ $H_T$ 、 $n_{jets}$ 、 $n_{b-tag}$ など）の分布によって特徴付けられ、プロセスラベルなしで物理的なベースラインを確立する。
局所化: フラグを立てられた信号イベントは、最も高い事後責任を持つGMMコンポーネントに割り当てられる。
局所的分離: 支配的なコンポーネント内において、フラグを立てられた信号と局所的なSMバックグラウンドを分離する能力によって、オブザーバブルがランク付けされる。これにはWasserstein-1距離が用いられる。
スコア相関: 異常スコアと物理的オブザーバブルとの間のスペアマン相関係数を計算し、スコアが異常を定義する特定のオブザーバブルを追跡しているかどうかを判定する。

主な貢献

埋め込み戦略の比較: 著者らは、共有されたトランスフォーマー・バックボーンの下では、SMプロセスラベルを活用する教師あり目的関数（SupConおよびVCReg）が、線形プローブの質において、自己教師ありモデル（SimClRおよびVICReg）よりも有意に情報量の多い潜在空間を生み出すことを示している。
異常検知性能: 最良の構成において、教師あり潜在空間は、保持されたすべてのプロセスに対して、生の運動学的特徴に対して直接訓練されたオートエンコーダーよりも優れた信号効率を示す。具体的には、VCReg（ $d_{model}=256$ ）は、 $HH \to 4b$ のプロキシに対して、バックグラウンド受容率10%において97.2%の信号効率を達成した。
局所的診断フレームワーク: 本論文は、フラグを立てられたイベントを潜在空間内に局所化し、高次オブザーバブルを用いて周囲のSMバックグラウンドをプロファイリングし、局所的な識別力によって変数をランク付けするパイプラインを導入している。このフレームワークは、保持されたプロセスの定義的な物理（ $HH \to 4b$ におけるヘビーフレーバー含有量、および $Z' \to n(\mu\mu)$ におけるレプトン多重度）を正常に回収することに成功した。
スコアと物理のデカップリング: 本研究は、信号と局所バックグラウンドを最もよく分離するオブザーバブルと、異常スコアと最も強く相関するオブザーバブルとの間の決定的な違いを明らかにしている。 $Z'$ 信号については、レプトン多重度が最強の局所識別子であったが、異常スコアは二次的な運動学的特徴（ $H_T$ 、 $M_{jj}$ など）とより強く相関しており、これはグローバルな性能指標がスコアリングモデルの挙動を完全には捉えていないことを浮き彫りにしている。

結果

埋め込みの質: 教師ありモデル（VCReg, SupCon）は、12個のSMクラスに対する線形プローブにおいて、マクロ平均AUROCスコア $\approx 0.90$ を達成し、自己教師ありモデル（SimCLR: $\approx 0.87$ , VICReg: $\approx 0.77$ ）および生の特性ベースライン（ $\approx 0.87$ ）を上回った。
検出効率: $HH \to 4b$ 信号において、最良の教師あり構成（VCReg, $d=256$ ）は、生の特性オートエンコーダーの77.3%に対し、バックグラウンド受容率10%で97.2%の信号効率に達した。 $Z'$ 信号については、すべての教師あり構成（ $d=32$ のVCRegを除く）がベースライン効率の96.8%を超えた。
診断的洞察:
- $HH \to 4b$ : フラグを立てられたイベントは主にGMMコンポーネントC4およびC5に局所化した。局所的なランキングにより、 $n_{b-tag}$ がトップの識別子であることが正しく特定された。異常スコアは $n_{b-tag}$ と最も強く相関しており（ $\rho=0.43$ ）、スコアが定義的な物理を追跡していることを示している。
- $Z' \to n(\mu\mu)$ : フラグを立てられたイベントはほぼ完全にコンポーネントC2に局所化した。レプトン多重度（ $W_1 = 8.61$ ）がトップの識別子であったが、異常スコアはレプトン多重度との弱い相関（ $\rho \approx 0.30$ ）しか示さず、むしろ $H_T$ や $M_{jj}$ との強い相関を示した。これは、表現が信号を特定のレプトニック領域へとルーティングしているものの、その領域内での再構成誤差は他の運動学的変動によって駆動されていることを示唆している。

意義と主張

本論文は、異常検知が発見パイプラインの実行可能な一部となるためには、フラグを立てられたイベントを局所的に診断し、新しい物理学とアーティファクトを区別し、ターゲットを絞ったフォローアップ探索を導く必要があると主張している。著者らは、彼らの診断フレームワークが、「ブラックボックス」的な学習された表現と、解釈に必要な物理的オブザーバブルとの間の必要な架け橋を提供すると断言している。

本研究は、シミュレーションデータを用いた教師あり学習が現在、優れた性能と解釈性を提供している一方で、それはシミュレーションの正確さに依存していることを強調している。したがって、シミュレーションの正確さへの依存を減らし、実験データから直接学習することを可能にするために、堅牢な自己教師あり表現の開発が極めて重要な将来の方向性であると述べている。結論として、局所的分離とスコア相関の組み合わせた分析は、グローバルな性能指標だけからは推論できない異常スコアリングモデルの挙動に関する洞察を提供できるとしている。