Blobel's Regularized Unfolding: Eigenmode Decomposition and Automatic Smoothing for Inverse Problems in Particle Physics

Dit document presenteert een zelfstandige behandeling van Blobel's geregulariseerde ontvouwingsmethode (BRU), die een gladde B-spline-parametrisatie en eigenmode-filtering combineert om inverse problemen in de deeltjesfysica op te lossen met automatische bepaling van de regularisatiesterkte.

De kern

De Kunst van het Ontmaskeren: Hoe we het echte verhaal achter de ruis vinden

Stel je voor dat je door een zeer wazige, beslagen ruit naar een schilderij kijkt. Je ziet kleuren en vormen, maar ze zijn vervormd, onscherp en er zit een laagje nevel overheen. In deeltjesfysica is dit precies wat er gebeurt: de deeltjes die we meten in onze detectors (zoals die bij de LHC) zijn niet het echte deeltje, maar een "wazige foto" ervan. De detector heeft beperkingen, net als een slechte camera.

De vraag is: hoe krijgen we het originele, scherpe schilderij terug? Dit heet in de wetenschap een "inverse probleem". Als je simpelweg probeert de wazigheid weg te rekenen, krijg je vaak een resultaat dat vol staat met rare ruis en onzin. Het is alsof je de scherpte van je camera op het allerhoogste zet: het beeld wordt wel scherp, maar er verschijnen vreemde, trillende patronen die er niet waren.

Dit artikel introduceert een slimme methode, bedacht door de Duitse natuurkundige Volker Blobel, die we Blobel's Regularized Unfolding noemen. Laten we uitleggen hoe dit werkt met een paar alledaagse vergelijkingen.

1. Geen blokken, maar een soepele lijn

Oude methodes probeerden het schilderij te reconstrueren door het op te delen in kleine blokjes (een histogram). Ze keken naar elk blokje apart. Het probleem hiermee is dat als je één blokje iets aanpast, het er vaak raar uitziet naast het volgende blokje. Het resultaat wordt een "zaagtand".

Blobel's methode doet het anders. In plaats van blokjes, denken ze in soepele lijnen (wiskundig: kubieke B-splines).

• De analogie: Denk aan een elastiek dat je over een reeks pinnen spannen. Je kunt het elastiek niet in scherpe hoeken laten staan; het moet soepel lopen. De methode zoekt de vorm van dat elastiek die het beste past bij de wazige foto, maar die toch soepel blijft. Dit voorkomt die rare, onnatuurlijke sprongen.

2. Het filteren van de ruis (De eigenmodes)

Het grootste probleem bij het reconstrueren is het onderscheid tussen het echte signaal en de statistische ruis (de "trillingen" in de foto).
Blobel's methode gebruikt een slimme truc: ze breken het probleem op in verschillende golven of trillingen.

• De analogie: Stel je voor dat je naar een orkest luistert. Je hebt de diepe, krachtige basgitaar (de grote, duidelijke vormen van het schilderij) en je hebt de hoge, trillende fluit (de fijne details en de ruis).
  • De lage golven zijn het echte signaal: ze zijn sterk en duidelijk.
  • De hoge golven zijn vaak alleen maar ruis: ze trillen heel snel en hebben weinig betekenis.

De methode kijkt naar elke golf apart. Als een golf duidelijk een sterk signaal heeft, houden ze die. Als een golf alleen maar ruis lijkt te zijn (omdat de detector niet scherp genoeg is om dat detail te zien), dan filteren ze die weg. Ze zeggen: "Dit detail is waarschijnlijk toeval, we gooien het eruit."

3. De automatische thermostaat

Het lastige deel bij dit soort problemen is: Hoeveel ruis moet je wegfilteren?

• Filter je te weinig? Dan krijg je een beeld vol ruis.
• Filter je te veel? Dan wordt je beeld te glad en mis je echte details (zoals een klein piekje in het schilderij).

Bij andere methodes moet een mens dit zelf proberen door te "tunen" (proberen en fouten maken). Dat is subjectief.
Blobel's methode heeft een automatische thermostaat.

• De analogie: Stel je voor dat je een badkamer hebt met een thermostaat. De methode luistert naar de "ruis" in de data. Als de ruis te hard klinkt, draait hij de warmte (de smoothing) automatisch iets hoger. Als het signaal sterk genoeg is, draait hij hem lager.
  De regel is simpel: "Filter alleen die golven weg die statistisch gezien niet meer dan toeval zijn." Hierdoor hoef je als onderzoeker geen knoppen te draaien; de data bepaalt zelf hoe scherp het beeld moet zijn.

4. Waarom is dit zo belangrijk?

In de deeltjesfysica willen we niet alleen een mooi plaatje maken, we willen ook weten: Hoe zeker zijn we?

• Als je te veel filtert, denk je dat je een resultaat hebt, maar in werkelijkheid heb je een verzonnen vorm gemaakt. Je geeft dan een te klein foutmarge (je bent te zelfverzekerd).
• Als je te weinig filtert, is je resultaat zo onzeker dat het niets zegt.

De methode van Blobel zorgt ervoor dat de foutmarges eerlijk zijn. Ze vertellen je precies welke details je kunt vertrouwen en welke je niet kunt. Het is alsof je een bril krijgt die niet alleen scherper maakt, maar ook een labeltje heeft: "Deze randjes zijn zeker, die hier zijn waarschijnlijk ruis."

Conclusie

Kortom, Blobel's methode is als een slimme restaurator die een oud, beschadigd schilderij repareert.

1. Hij gebruikt soepele lijnen in plaats van ruwe blokjes.
2. Hij luistert naar de verschillende trillingen in het beeld en houdt alleen de echte muziek over.
3. Hij heeft een automatische regelaar die precies weet hoeveel ruis er weg moet, zonder dat iemand er handmatig bij hoeft te komen.

Dit zorgt voor resultaten die niet alleen mooi zijn, maar vooral betrouwbaar. Voor natuurkundigen die zoeken naar nieuwe deeltjes of de oorsprong van het universum, is deze betrouwbaarheid goud waard. Het is de manier om het echte verhaal te horen, zonder dat de ruis van de detector je in de oren schreeuwt.

Technische samenvatting

Titel: Blobel's Geregulariseerde Ontvouw (Unfolding): Eigenmode Decompositie en Automatische Glading voor Inverse Problemen in Deeltjesfysica

Auteur: Vincent Alexander Croft (Nikhef)
Datum: 2 april 2026

---

1. Het Probleem: Inverse Problemen in Deeltjesfysica

In deeltjesfysica-experimenten moeten de ware fysische verdelingen worden afgeleid uit gemeten data. Dit is een inverse probleem omdat detector-effecten (zoals eindige resolutie, acceptatieverliezen en bin-migratie) de onderliggende spectrum vervormen.

• De uitdaging: Het herwinnen van het ware spectrum is een ill-posed probleem. Kleine verstoringen in de gemeten data kunnen leiden tot willekeurig grote fluctuaties in de oplossing.
• Bestaande methoden:
  • Iteratieve methoden (bijv. Richardson-Lucy/D'Agostini): Convergeren naar de oplossing maar moeten worden gestopt voordat ruis de overhand neemt. De keuze van het aantal iteraties is een tunable parameter.
  • Matrix-geregulariseerde methoden (bijv. Tikhonov/TUnfold): Voegen een strafterm toe om oscillaties te onderdrukken. De sterkte van de regularisatie vereist externe tuning.
• Het doel: Een methode vinden die de regularisatiesterkte automatisch bepaalt op basis van de data, zonder subjectieve keuzes, en die een transparante basis biedt voor statistische inferentie.

2. Methodologie: Blobel's Geregulariseerde Ontvouw (BRU)

Het paper introduceert een moderne, zelfstandige behandeling van Blobel's methode, genaamd BRU. De kern van de methode verschilt fundamenteel van histogram-gebaseerde benaderingen:

• Spline Representatie: In plaats van de ware verdeling te discretiseren in histogram-bins, wordt deze weergegeven als een gladde functie via een basis van kubische B-splines:
  $$f(x) = \sum_{j=1}^{p} c_j B_j(x)$$
  Hier zijn $c_j$ de coëfficiënten die moeten worden bepaald. De detectorrespons wordt gemodelleerd als een matrix die deze spline-coëfficiënten koppelt aan de verwachte bin-tellingen.

• Eigenmode Decompositie:

  • Het regularisatieprobleem wordt opgelost door gelijktijdige diagonalisatie van de Fisher-informatiematrix ($F$, gerelateerd aan de data-precisie) en de krommingsmatrix ($C$, gerelateerd aan de ruwheid/strafterm).
  • Dit decomposeert het probleem in onafhankelijke eigenmodes. Elke mode heeft een eigenwaarde $d_k$ die de "kost" van kromming aangeeft.
  • De oplossing wordt gefilterd per mode:
    $$\hat{a}_k(\tau) = \frac{\hat{a}_k}{1 + \tau d_k}$$
    Waar $\tau$ de regularisatieparameter is. Modes met een laag signaal-ruisverhouding (hoge $d_k$) worden onderdrukt, terwijl goed bepaalde modes behouden blijven.

• Automatische Selectie van Regularisatie ($\tau$):

  • In tegenstelling tot methoden die externe scans vereisen (zoals de L-curve), bepaalt BRU $\tau$ via een interne consistentievoorwaarde.
  • Het criterium is dat de bijdrage van de onderdrukte modes aan de $\chi^2$ gelijk moet zijn aan het verwachte aantal vrijheidsgraden voor die modes (puur ruis).
  • Formule: $\Delta\chi^2_{supp} \approx n_{supp}$.
  • Dit elimineert de noodzaak voor handmatige tuning; de data bepaalt zelf hoeveel glading nodig is.

3. Belangrijkste Bijdragen

1. Modernisering: Een directe vertaling van Blobel's originele Fortran-implementatie naar een moderne wiskundige formulering en Python-implementatie.
2. Automatisering: Een robuust mechanisme om de regularisatiesterkte volledig automatisch uit de data af te leiden, gebaseerd op statistische verwachtingen.
3. Statistische Dekking (Coverage): De methode is ontworpen om niet alleen de beste schatting te geven, maar ook om de onzekerheden correct te kwantificeren, zodat de frequentistische dekking van betrouwbaarheidsintervallen (bijv. 68%) wordt behaald.
4. Inferentiële Transparantie: Door de oplossing in eigenmodes te presenteren, wordt duidelijk welke componenten door de data worden gedreven en welke door de gladheidsaanneming. Dit maakt het mogelijk om correcte $\chi^2$-tests uit te voeren zonder de correlaties te negeren.

4. Resultaten: Numerieke Studies

De methode is getest op twee benchmark-verdelingen en vergeleken met Tikhonov-regularisatie, Richardson-Lucy (4 iteraties) en naieve matrixinversie.

• Test 1: Dubbel-piek verdeling (lokale kenmerken):

  • BRU: Volgt de waarheid nauwkeurig, behoudt de smalle pieken en heeft een lage Mean Squared Error (MSE). De "pull"-verdeling is centraal rond 0 met een breedte van ~1.06 (ideaal).
  • Vergelijking: Tikhonov toont een positieve bias (over-glading) en onderdekking (64% i.p.v. 68%). Richardson-Lucy toont oscillaties. Naieve inversie heeft enorme fluctuaties.

• Test 2: Steil dalend spectrum (groot dynamisch bereik):

  • BRU: Herstelt de steile helling en de kleine "bump" zonder spurious oscillaties. De dekking is consistent met 68%.
  • Vergelijking: Tikhonov heeft een significante bias (dekking daalt naar 52%). Richardson-Lucy faalt catastraal in gebieden met weinig statistiek (de onzekerheidsschattingen worden degeneraat). Naieve inversie heeft enorme onzekerheden.

Conclusie van de tests: BRU presteert superieur in zowel MSE als statistische dekking, zonder dat er handmatige tuning nodig is. Het vermijdt de systematische fouten die optreden bij andere methoden wanneer de regularisatie niet perfect op de lokale statistiek is afgestemd.

5. Betekenis en Toekomst

• Fysieke Interpretatie: De eigenmode-decompositie biedt een fysiek inzichtelijke basis. Elke mode vertegenwoordigt een ruimtelijke frequentie. Dit maakt het mogelijk om te bepalen welke delen van het resultaat "echt" zijn (data-gedreven) en welke kunstmatige gladheid zijn.
• Vergelijking met Machine Learning: In tegenstelling tot ML-methoden (zoals OmniFold) die vaak een "black box" zijn, biedt BRU een frequentistische garantie. De onzekerheden en bias zijn kwantificeerbaar en transparant, wat essentieel is voor strikte fysische tests en het vergelijken van experimenten.
• Implementatie: De methode is beschikbaar in de histimator en RooUnfold pakketten, waardoor het direct toepasbaar is voor analyses op de Large Hadron Collider (LHC) en andere experimenten.

Samenvattend: Dit paper herintroduceert en moderniseert een krachtige techniek die het inverse probleem in de deeltjesfysica oplost door een combinatie van B-splines en eigenmode-filtering, waarbij de regularisatie volledig data-gedreven en statistisch correct is.