LHC・ATLAS実験データ解析における深層学習の発展
| Project/Area Number |
21K13936
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 15020:Experimental studies related to particle-, nuclear-, cosmic ray and astro-physics
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
齊藤 真彦 東京大学, 素粒子物理国際研究センター, 助教 (70865162)
|
|---|
| Project Period (FY) |
2021-04-01 – 2024-03-31
|
| Project Status |
Completed (Fiscal Year 2023)
|
| Budget Amount *help |
¥2,990,000 (Direct Cost: ¥2,300,000、Indirect Cost: ¥690,000)
Fiscal Year 2022: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
Fiscal Year 2021: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
|
|---|
| Keywords | 素粒子物理学 / ATLAS実験 / 機械学習 / 深層学習 |
|---|
| Outline of Research at the Start |
大規模で複雑なデータを効率よく解析する手法の一つに深層学習がある。深層学習が高エネルギー実験データ解析で広く使われるためには、実験データに頻出する非定型データ構造を扱い、不定性の評価・予測結果の解釈が可能な深層学習モデルの実現が求められる。本研究では、LHC・ATLAS実験における物理解析データを用いて、(1) グラフ深層学習をベースにした、入力データの構造・対称性を考慮した深層学習モデルの開発、(2) 深層アンサンブル学習を始めとする不定性を扱える深層学習手法の活用とその評価、により上記の問題の解決を目指す。
|
| Outline of Annual Research Achievements |
本研究は、大規模かつ複雑化している高エネルギー物理実験の実験データ解析を改善させるために、深層学習技術を実験データ解析に適した形で導入しその性能の向上を目指すものである。特に、(1)不規則な形式の実験データを扱えること、(2)解析過程の解釈が可能な形にすること、の2点が重点的に取り組む課題であった。
本研究期間の前半は、グラフニューラルネットワークを中心に研究を進めた。グラフニューラルネットワークは可変長の入力を扱うことができ、さらに入力変数間の関係性もモデルに組み込めるため、(1)の課題を解決する有力な深層学習技術である。また、(2)の課題の解決のため、タスクを複数のステップに分解しそれぞれに固有の深層学習モデルを割り当てることで、各ステップで深層学習モデルがどのような予測をしているのかを可視化できるようにした。このことは解釈可能性だけでなく、(1)の複雑な形式のタスクの解決にもつながる。本研究ではこのような多段深層学習モデルの最適化手法の研究開発を進め、複数の新手法を提案した。本研究は、複雑なタスクの組み合わせで構成されている実験物理データ解析全体を深層学習モデルで置き換えるための指針を示すものであり、今後の研究に与える影響は大きい。
研究期間の後半は、生成型の深層学習モデルを用いた物理解析手法の開発を進めた。生成モデルは入力データ分布自体を学習することができるモデルであり、(2)の解釈可能な解析モデルの解決につながる。生成モデルの一種である正規化流、特に条件変数付きの正規化流を用いて、異常検知や新物理モデルのパラメータスキャンの研究に取り組んだ。複雑な実験データを生成モデルで学習可能なことを示し、従来のモンテカルロシミュレーション・ベースの手法を大幅に拡張する可能性を示した。
|
Report
(3 results)
Research Products
(6 results)
