⚛️ high-energy experiments

Machine Learning-based Unfolding for Cross Section Measurements in the Presence of Nuisance Parameters

Dit artikel introduceert Profile OmniFold, een uitbreiding van het op machine learning gebaseerde OmniFold-algoritme die nuisance-parameters incorporeert om onzekerheden in detector-simulaties te hanteren, gedemonstreerd door zowel Gaussische voorbeelden als een CMS-experiment casestudy.

Oorspronkelijke auteurs: Huanbiao Zhu, Krish Desai, Mikael Kuusela, Vinicius Mikuni, Benjamin Nachman, Larry Wasserman

Gepubliceerd 2026-06-26

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Huanbiao Zhu, Krish Desai, Mikael Kuusela, Vinicius Mikuni, Benjamin Nachman, Larry Wasserman

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert uit te zoeken hoe een heerlijke, complexe taart smaakt (de werkelijke realiteit), maar je kunt alleen een versie proeven die platgedrukt, gesmolten en licht veranderd is door een zeer vreemde, imperfecte oven (de detector).

In de wereld van de deeltjesfysica worden wetenschappers precies met dit probleem geconfronteerd. Ze willen de werkelijke eigenschappen van minuscule deeltjes kennen (zoals hun energie of richting), maar hun gigantische detectoren (zoals het CMS-experiment bij de Large Hadron Collider) vervormen deze metingen. Het proces om de data wiskundig te "ontplatten" om de waarheid te vinden, wordt unfolding genoemd.

Lange tijd gebruikten wetenschappers een slimme machine learning-tool genaamd OMNIFOLD. Denk aan OMNIFOLD als een slimme chef die naar de gesmolten taart kijkt en raadt: "Oké, als ik een beetje van dit toevoeg en een beetje van dat weghaal, kan ik het originele recept reconstrueren." Het werkt door de echte data te vergelijken met een computersimulatie van hoe de oven zou moeten werken.

Het Probleem: De Oven Kan Kapot Zijn
Hier is de crux: de computersimulatie is niet perfect. Deze is gebaseerd op aannames over hoe de oven zich gedraagt. Soms is de oven in werkelijkheid net even anders dan de simulatie zegt — misschien is de hitte 10% hoger, of sluiten de deurrubbers niet helemaal goed. In de taal van het paper worden deze onbekende verschillen nuisance parameters (storende parameters) genoemd.

Als je de oude OMNIFOLD-methode gebruikt en ervan uitgaat dat de oven perfect is terwijl deze in werkelijkheid defect is, dan is je schatting van het originele taartrecept fout. Je zou kunnen denken dat de taart chocolade was terwijl het eigenlijk vanille was, simpelweg omdat je "ontplattings-wiskunde" gebaseerd was op de verkeerde oveninstellingen.

De Oplossing: Profile OMNIFOLD
De auteurs van dit paper, onder leiding van Huanbiao Zhu en collega's, hebben een nieuwe tool ontwikkeld genaamd Profile OMNIFOLD.

Stel je voor dat de chef, in plaats van alleen het taartrecept te raden, nu een tweede baan heeft: de oven afstellen.

De Oude Manier: De chef raadt het recept op basis van een vaste, aangenomen oveninstelling. Als de instelling fout is, is het recept fout.
De Nieuwe Manier (Profile OMNIFOLD): De chef kijkt naar de gesmolten taart en doet twee dingen tegelijkertijd:
- Ze passen de gewichten van het recept aan (om bij de taart te passen).
- Ze passen ook de oveninstellingen aan (de nuisance parameters) om te zien welke instelling de simulatie het beste laat overeenkomen met de echte gesmolten taart.

Het algoritme voert deze heen-en-weer dans voortdurend uit: "Als ik de oveninstelling naar X verander, ziet het recept er dan beter uit? Als ik het recept naar Y verander, ziet de oveninstelling er dan beter uit?" Het blijft itereren totdat het de perfecte combinatie vindt van het Ware Recept en de Correcte Oveninstelling.

Hoe Ze Het Getest Hebben
Het team heeft deze nieuwe methode op twee manieren getest:

Een Simpel Wiskundig Spel: Ze creëerden een fictief scenario met eenvoudige klokvormige verdelingen (Gaussiaanse verdelingen). Ze kenden het "ware" antwoord en de "kapotte" oveninstelling. De oude methode slaagde er niet in het ware antwoord te vinden, maar Profile OMNIFOLD vond zowel de juiste vorm van de data als de juiste oveninstelling.
Echte Fysische Data: Ze gebruikten echte data van het CMS-experiment bij CERN, waarbij ze hoogenergetische deeltjesbotsingen (jets) simuleerden. Opnieuw introduceerden ze een "kapotte" instelling (door de detectorresolutie in de data 70% slechter te maken dan in de simulatie). De oude methode produceerde een bevooroordeeld, onjuist resultaat. Profile OMNIFOLD identificeerde correct dat de detector "afwijkte" en herstelde de ware deeltjesverdeling.

De Kern van het Verhaal
Het paper beweert dat door de computer te laten leren hoe de "defecten" van de detector werken (de nuisance parameters), terwijl het probeert de ware fysica te vinden, wetenschappers veel nauwkeurigere resultaten kunnen krijgen. Het is alsoals beseffen dat je bril beslagen is en deze schoonmaken terwijl je probeert een boek te lezen, in plaats van alleen maar te knijpen met je ogen en de woorden te gokken.

Belangrijke Opmerking over Beperkingen
De auteurs wijzen er zorgvuldig op dat deze nieuwe methode geen magie is. Het vertrouwt op het trainen van een tweede machine learning-model om te begrijpen hoe de "defecten" werken. Als die training niet perfect is, kan het uiteindelijke antwoord nog steeds een beetje afwijken. Ze merken ook op dat de methode je niet automatisch vertelt hoe "zeker" het is over zijn antwoord (onzekerheidskwantificering), wat iets is waar ze in de toekomst aan willen werken.

Kortom: Profile OMNIFOLD is een slimmere manier om vervormde data te corrigeren door toe te geven dat onze simulaties van de machines misschien niet helemaal kloppen, en die fouten te herstellen op hetzelfde moment dat we de data corrigeren.

Technische Samenvatting: Profile OMNIFOLD voor Unfolding met Nuisance Parameters

Probleemstelling
In de deeltjes- en kernfysica is "unfolding" het statistische inverse probleem van het terugwinnen van de werkelijke onderliggende verdeling van een fysieke grootheid (deeltjesniveau-waarheid, $x$ ) uit observaties die zijn vervormd door detectoreffecten (detectorniveau-data, $y$ ). Deze relatie wordt gemodelleerd door een Fredholm-integraalvergelijking van de eerste soort: $p_Y(y) = \int k(y,x)p_X(x)dx$ , waarbij $k(y,x)$ de respons-kernel is.

Hoewel moderne machine learning (ML)-methoden, in het bijzonder het OMNIFOLD-algoritme, succesvol hoogdimensionale unfolding hebben aangepakt door gebruik te maken van classificatiesters om dichtheidsratio's te schatten binnen een Expectation-Maximization (EM)-raamwerk, vertrouwen zij op een cruciale aanname: de detectorrespons-kernel gebruikt in de simulatie ( $q(y|x)$ ) komt perfect overeen met de ware respons ( $p(y|x)$ ). In de praktijk zijn simulaties slechts benaderend correct en afhankelijk van "nuisance parameters" ( $\theta$ ) die systematische onzekerheden coderen (bijv. jet-energie-resolutie). Als $\theta$ verkeerd gespecificeerd is (bijv. de simulatie neemt $\theta=1$ aan terwijl de realiteit $\theta \neq 1$ is), produceren standaard ML-unfoldingmethoden een bevooroordeelde schatting van de ware verdeling $p_X$ . Traditionele benaderingen om dit aan te pakken omvatten het herhalen van metingen onder alternatieve modellen, wat computationeel duur is en vaak conservatief is.

Methodologie: Profile OMNIFOLD (POF)
De auteurs stellen Profile OMNIFOLD (POF) voor, een uitbreiding van het OMNIFOLD-algoritme die gezamenlijk de reweighting-functie op deeltjesniveau en de nuisance parameters schat. POF behandelt de nuisance parameter $\theta$ als een extra onbekende in de EM-objectieve functie.

Het algoritme werkt iteratief om de populatie log-likelihood te maximaliseren:
$\ell(\nu, \theta) = \int p(y) \log p(y|\nu, \theta) dy + \log p_0(\theta)$
waarbij $\nu(x)$ de reweighting-functie is voor de Monte Carlo (MC) deeltjesniveau-densiteit en $p_0(\theta)$ een prior (of likelihood-term) is van hulpmetingen.

Het POF-algoritme bestaat uit drie stappen per iteratie $k$ :

Detector-niveau Reweighting: Een classifier schat de dichtheidsratio $r^{(k)}(y) = p(y) / \tilde{q}^{(k)}(y)$ , waarbij $\tilde{q}^{(k)}(y)$ de MC detector-niveau densiteit is, hergewogen door zowel de huidige deeltjesgewichten $\nu^{(k)}$ als de huidige nuisance parameter $\theta^{(k)}$ via een respons-kernel ratio $W(y,x,\theta) = p(y|x,\theta)/q(y|x)$ .
Deeltjesniveau Reweighting: De ratio $r^{(k)}(y)$ wordt "teruggetrokken" naar het deeltjesniveau om de gewichten $\nu^{(k+1)}(x)$ bij te werken, waarbij de kernel ratio $W$ wordt geïncorporeerd.
Nuisance Parameter Update: De parameter $\theta$ wordt bijgewerkt naar $\theta^{(k+1)}$ door een specifieke component van de Q-functie ( $Q_2$ ) te maximaliseren met betrekking tot $\theta$ , terwijl $\nu^{(k)}$ constant wordt gehouden.

Om Stap 3 te implementeren, heeft het algoritme de functie $W(y,x,\theta)$ nodig. Het artikel beschrijft een methode (gebaseerd op Chan en Nachman, 2023) om $W$ te schatten met behulp van twee hulp-classifiers die getraind zijn op synthetische data gegenereerd met variërende $\theta$ .

Belangrijkste Bijdragen

Algoritmische Uitbreiding: De introductie van POF, die nuisance parameter profiling direct integreert in het classifier-gebaseerde EM-unfolding raamwerk. In tegen tegenstelling tot eerdere unbinned methoden die een vaste forward model aannemen, werkt POF simultaan het spectrum en de systematische parameters bij.
Convergentie-diagnostiek: De auteurs stellen een goodness-of-fit statistiek voor gebaseerd op de nauwkeurigheid van de Stap 1 classifier. Aangezien een geconvergeerde oplossing impliceert dat de hergewogen MC-verdeling overeenkomt met de experimentele data, zou de classifier niet in staat moeten zijn de twee van elkaar te onderscheiden (nauwkeurigheid $\approx 0.5$ ). Deze statistiek wordt gebruikt om de beste oplossing te selecteren tussen meerdere runs met verschillende initialisaties, wat de niet-concaafheid van de likelihood-oppervlak aanpakt wanneer nuisance parameters aanwezig zijn.
Omgaan met Hoge Dimensies: De methode behoudt het vermogen van OMNIFOLD om hoogdimensionale data te verwerken zonder binning, waardoor de "vloek van dimensionaliteit" die gepaard gaat met traditionele binned unfolding wordt vermeden.

Resultaten
Het artikel valideert POF met behulp van twee casestudies:

Gaussiaans Voorbeeld: Een gecontroleerde 1D en 2D Gaussische simulatie waarbij de ware nuisance parameter $\theta$ $θ$ (die de smearing variantie controleert) verschilt van de simulatie.
- Bevindingen: Standaard OMNIFOLD (uitgaande van $\theta=1$ ) produceerde significant bevooroordeelde deeltjesniveau-verdelingen. POF slaagde erin de ware verdeling te herstellen en schatte $\theta$ dicht bij de grondwaarheid (bijv. $\hat{\theta}=1.48$ vs. ware $1.50$). Het algoritme convergeerde naar de juiste oplossing ongeacht de initialisatie wanneer de goodness-of-fit statistiek werd gebruikt voor selectie.
CMS Open Data Simulatie: Een realistische simulatie van jet transversale momentum spectra van het CMS-experiment bij de LHC.
- Setup: De "data" werd gegenereerd met een jet-energie-resolutie die 70% groter is dan de simulatie ( $\theta_{true}=1.7$ vs. $\theta_{sim}=1.0$ ).
- Bevindingen: OMNIFOLD faalde in het herstellen van het ware deeltjesniveau-spectrum vanwege de verkeerd gespecificeerde kernel. POF herstelde het ware spectrum nauwkeurig en schatte $\hat{\theta}=1.62$ . De studie benadrukte dat hoewel POF robuust is, de keuze van de initialisatie ertoe doet; slechte initialisaties konden leiden tot lokale optima, maar de voorgestelde goodness-of-fit statistiek identificeerde effectief de superieure oplossing.

Betekenis
Het artikel betoogt dat Profile OMNIFOLD een fundamentele beperking in huidige machine learning-gebaseerde unfolding aanpakt: de aanname van een perfect gespecificeerd forward model. Door rekening te houden met de onzekerheid van het forward model (nuisance parameters) tijdens de unfolding procedure, vermindert POF de bias in de herstelde deeltjesniveau-verdelingen. De auteurs positioneren dit als een praktische weg voor het robuuster toepassen van ML-gebaseerde unfolding in de hoge-energiefysica, waar detectorresponsen complex zijn en alleen impliciet bekend zijn via simulaties. De methode behoudt de computationele efficiëntie en hoogdimensionale capaciteiten van OMNIFOLD, terwijl het de toepasbaarheid uitbreidt naar scenario's met systematische onzekerheden.

Beperkingen en Toekomstig Werk
De auteurs merken op dat POF geen theoretische convergentiegarantie heeft naar een globaal maximum vanwege het niet-concaaf zijnde likelihood-oppervlak dat door nuisance parameters wordt geïntroduceerd. Ze benadrukken dat de schatting van de nuisance parameter gevoelig is voor de kwaliteit van de hulp- $W$ functie schatting. Verder biedt de huidige implementatie geen onzekerheidskwantificering voor de unfolded verdeling of de nuisance parameters, wat een openstaand probleem blijft voor toekomstig onderzoek.

Meer zoals dit