ELUQuant: Event-Level Uncertainty Quantification in Deep Inelastic Scattering

要約

物理現象イベントレベルでの詳細な不確実性定量化 (UQ) のために、乗法正規化フロー (MNF) を使用して事後近似フローを備えた物理情報に基づくベイジアン ニューラル ネットワーク (BNN) を導入します。
私たちの方法は、不均一分散的な偶然性と認識論的な不確実性の両方を特定することができ、詳細な物理的洞察を提供します。
深部非弾性散乱 (DIS) イベントに適用されたこのモデルは、運動学的変数 $x$、$Q^2$、および $y$ を効果的に抽出し、最近の深層学習回帰手法のパフォーマンスに匹敵しますが、イベントレベルの重要な強化が施されています。
UQ。
根底にある不確実性のこの詳細な説明は、特にイベント フィルタリングなどのタスクにおいて、意思決定に非常に貴重であることがわかります。
また、グラウンド トゥルースに直接アクセスすることなく、実際の不正確さを軽減することもできます。
HERA の H1 検出器を使用した徹底的な DIS シミュレーションにより、将来の EIC への応用の可能性が示されています。
さらに、これにより、データ品質の監視や異常検出などの関連タスクへの道が開かれます。
注目すべきことに、私たちのアプローチは大量のサンプルを高速で効果的に処理します。

要約(オリジナル)

We introduce a physics-informed Bayesian Neural Network (BNN) with flow approximated posteriors using multiplicative normalizing flows (MNF) for detailed uncertainty quantification (UQ) at the physics event-level. Our method is capable of identifying both heteroskedastic aleatoric and epistemic uncertainties, providing granular physical insights. Applied to Deep Inelastic Scattering (DIS) events, our model effectively extracts the kinematic variables $x$, $Q^2$, and $y$, matching the performance of recent deep learning regression techniques but with the critical enhancement of event-level UQ. This detailed description of the underlying uncertainty proves invaluable for decision-making, especially in tasks like event filtering. It also allows for the reduction of true inaccuracies without directly accessing the ground truth. A thorough DIS simulation using the H1 detector at HERA indicates possible applications for the future EIC. Additionally, this paves the way for related tasks such as data quality monitoring and anomaly detection. Remarkably, our approach effectively processes large samples at high rates.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google