FASTColor -- Full-color Amplitude Surrogate Toolkit for QCD

Technische Samenvatting: FASTColor – Full-color Amplitude Surrogate Toolkit voor QCD

Probleemstelling
Processen met een hoge multipliciteit bij de Large Hadron Collider (LHC) vormen een significante computationele bottleneck voor kwantumchromodynamica (QCD)-simulaties. Hoewel leading-order (LO) of fixed-order voorspellingen essentieel zijn voor metingen binnen het Standaardmodel en zoektochten naar nieuwe fysica, schaalt de evaluatie van full-color (FC) matrix-elementen prohibitief met het aantal externe partonen. Hoewel color-gesommeerde gekwadrateerde matrix-elementen met exponentiële complexiteit berekend kunnen worden, lijdt de numerieke Monte Carlo-integratie die nodig is voor event-generatie onder verslechterende unweighting-efficiënties door de factoriële groei van bijdragende Feynman-diagrammen en color-gecorreleerde amplitudes.

Huidige strategieën vertrouwen vaak op de leading-color (LC) benadering, die de dominante termen in de $1/N_c$-expansie vangt tegen een fractie van de computationele kosten. Een standaard tweestapsbenadering genereert events met LC-nauwkeurigheid en herweegt deze vervolgens naar exacte FC matrix-elementen. Hoewel deze herweging de efficiëntie verbetert ten opzichte van directe FC-generatie, vereist de herwegingsstap nog steeds dure evaluaties van FC-amplitudes, wat de schaalbaarheid voor zeer hoge multipliciteiten (bijv. $2 \to 7$ processen) beperkt.

Methodologie
De auteurs stellen FASTColor voor, een machine learning (ML) surrogate toolkit ontworpen om de LC-naar-FC herwegingspipeline te versnellen. De kernmethodologie bestaat uit een driestaps unweighting-procedure:

1. LC Event Generatie: Events worden gegenereerd met de LC-benadering voor een specifieke color flow, waarbij de gewichten worden bepaald door het LC matrix-element $|M_{LC}|^2$.
2. Surrogate Pre-filtering: In plaats van direct het exacte FC matrix-element te evalueren, voorspelt een getrainde neurale netwerk-surrogate ($r_{surr}$) de herwegingsratio $r_{LC \to FC} = |M_{FC}|^2 / |M_{LC}|^2$. Een tweede unweighting-stap accepteert of verwerpt events op basis van deze surrogate-voorspelling.
3. Final FC Correctie: Voor events die de surrogate-filter passeren, wordt het exacte single-helicity FC matrix-element geëvalueerd om de uiteindelijke correctiefactor $t = r_{LC \to FC} / r_{surr}$ te berekenen. Een laatste unweighting-stap zorgt ervoor dat de steekproef de exacte FC-nauwkeurigheid behoudt.

Het framework wordt getest op representatieve QCD-processen, waaronder all-gluon ($gg \to ng$), single-quark-line en double-quark-line processen met multipliciteiten tot $n=7$.

Architecturen en Symmetrie-leren
De studie evalueert vier verschillende neurale netwerk-architecturen voor het regresseren van de herwegingsratio:

• MLP: Een volledig verbonden netwerk dat gebruikmaakt van Lorentz-invariante kenmerken (logaritmen van scalaire producten).
• GNN: Een Graph Neural Network met Lorentz-invariante randen, waarbij deeltjes als knopen worden behandeld en scalaire producten als randen.
• Transformer: Een standaard attention-gebaseerde architectuur die de vier-impulsen en heliciteiten van deeltjes verwerkt.
• L-GATr: Een Lorentz-equivariante Geometric Algebra Transformer.

Een aanzienlijk deel van de analyse richt zich op de symmetrie-leer dynamiek van de Transformer-architectuur. De auteurs observeren een "loss collapse" fenomeen waarbij de validatieverlies plotseling daalt na een plateau. Door de respons van het netwerk op input-transformaties te analyseren (SO(2) rotaties, Lorentz-boosts, SL(4) rotaties en afschuivingen/shears), demonstreren zij dat de Transformer progressief leert de onderliggende Lorentz-symmetrieën van de data te respecteren. Vóór de collapse worstelt het netwerk met symmetrie-invariantie; na de collapse ontwikkelt het een latente representatie die uitlijnt met deze symmetrieën, wat de generalisatie en nauwkeurigheid aanzienlijk verbetert.

Belangrijkste Resultaten

• Prestatiewinst: De ML-surrogate aanpak bereikt een versnelling van ongeveer 15% voor lage multipliciteiten tot een factor twee voor de hoogste multipliciteiten ($gg \to 7g$) vergeleken met de standaard LC-naar-FC baseline.
• Architectuurvergelijking: Hoewel de MLP de snelste evaluatie heeft, vertoont deze een lagere regressienauwkeurigheid en bredere gewichtsverdelingen, wat leidt tot lagere unweighting-efficiënties. De Transformer, GNN en L-GATr architecturen vertonen superieure nauwkeurigheid en smallere gewichtsverdelingen. Opvallend genoeg reproduceren L-GATr en GNN scherpe kenmerken in de gewichtsverdeling die de MLP mist.
• Efficiëntie Optimalisatie: De auteurs implementeren een percentile-gebaseerde maximum gewicht strategie voor de unweighting-stappen. Door een gecontroleerd deel van de "overweights" (events met gewichten iets boven de drempel) te accepteren, verhogen zij de unweighting-efficiënties aanzienlijk terwijl ze een hoge effectieve steekproefomvang behouden ($\alpha \ge 0 than 0.995$).
• Schaalbaarheid: De effectieve winstfactor neemt toe met de multipliciteit. Naarmate de computationele kosten voor het evalueren van het exacte FC amplitude groeien, wordt het relatieve voordeel van het gebruiken van een snelle surrogate voor de initiële filteringstap prominenter.

Betekenis en Claims
Het artikel claimt dat FASTColor een schaalbaar pad biedt naar hoog-precieze event-samples voor het High-Luminosity LHC (HL-LHC) tijdperk. Door ML-surrogates te integreren in de unweighting-pipeline, behoudt de methode volledige FC-nauwkeurigheid terwijl de computationele last van dure matrix-element evaluaties wordt verminderd.

De auteurs benadrukken dat de aanpak bijzonder waardevol is voor hoog-multipliciteit kanalen waar traditionele unweighting-efficiënties slecht zijn. Bovendien suggereert de demonstratie dat Transformers onderliggende fysieke symmetrieën (Lorentz-invariantie) kunnen leren en exploiteren, dat dergelijke architecturen zeer geschikt zijn voor deeltjesfysica-toepassingen. Het artikel concludeert dat met verdere ontwikkelingen in geleerde onzekerheden en vertrouwen in getrainde netwerken, deze LC-naar-FC aanpak uiteindelijk de noodzaak voor een laatste klassieke unweighting-stap volledig zou kunnen elimineren, wat de efficiëntie verder verhoogt.