主要成果
粒子衝突データの解析において、多様なタスクに適用可能な基盤モデル「EVENET」が導入されました。このモデルは、重い共鳴状態の探索やエキゾチックなヒッグス崩壊の探索において、既存のベースラインおよび最新のモデルを上回る性能を示しており、特にデータ数が少ない低統計量領域で顕著な効果を発揮します。また、CMS（コンパクトミューオンソレノイド）実験のオープンデータを用いてϒ（ウプシロン）中間子を再発見したことで、シミュレーションから実データへの転移可能性が検証されました。さらに、系統的な変動に対して安定した量子相関観測量の精密な抽出もサポートしています。
技術・詳細
EVENETは、各衝突イベントを順序のない「粒子クラウド」として表現し、共有のポイント・エッジトランスフォーマー（point–edge transformer）バックボーンを用いて処理します。モデルの構築には、以下の技術的アプローチが採用されています。
- 学習データと手法：5億件のシミュレーションイベントを使用。自己教師あり学習（SSL）と物理情報に基づく教師あり学習を組み合わせた2段階の戦略で事前学習が行われています。
- 柔軟なタスクヘッド：事前学習済みのバックボーンに交換可能なタスクヘッドを組み合わせることで、プロセスの分類、オブジェクトから共鳴状態への割り当て、最終状態のセグメンテーション、およびマスクされた粒子や未検出粒子の拡散ベースの再構成など、多様な解析に対応します。
- 入力形式：可変長の粒子セットを直接扱い、完全に再構成されたデータから部分的に再構成されたデータまで、異なる観測条件下で動作します。
背景・業界の文脈
高エネルギー物理学、特に大型ハドロン衝突型加速器（LHC）などの実験では、毎年数十億件の陽子・陽子衝突が発生し、膨大な高次元データが生成されます。これまで、ジェットタギングやイベント分類、異常検知などの分野で機械学習が活用され、従来の多変量解析を上回る成果を上げてきました。しかし、従来のパラダイムでは、新しい解析を行うたびに専用のモデルを設計し、特定のラベル付きシミュレーションで訓練して個別に検証するという「タスク固有の最適化」が行われてきました。この手法は専門家の工数や計算リソースの増大を招いており、特にデータ量と希少プロセスへの感度要求が高まるHL-LHC（高輝度LHC）時代において、深刻なボトルネックになると懸念されていました。
今後の展望
これまでも個別のジェット構造に着目したモデルや、特定のタスクに限定したアプローチは存在していましたが、イベント全体をカバーし、かつ多様な解析に転移可能なモデルは限定的でした。EVENETのような基盤モデルの導入により、一度の大規模な事前学習投資を行うことで、その後の個別のダウンストリームタスクへの適応コストを大幅に削減できる再利用可能なバックボーンが確立されます。これは、LHCのみならず、Belle IIやDUNE、および将来の衝突型加速器実験におけるデータ解析効率を根本的に改善する可能性があります。
元記事: https://www.nature.com/articles/s42256-026-01322-9
毎週の技術動向レポートを無料でお届け
各分野の分析レポートを読む価値があるかどうか一目で判断できるインフォグラフィックをメールで受け取れます。
📢 メールマガジンに無料登録（週刊・技術動向レポート）
ご登録いただくと、Troy-Technical から週刊で技術動向レポート（メールマガジン）をお届けします。
- 取得したメールアドレス・選択分野は配信目的にのみ使用します。
- 第三者へ提供することはありません。
- 配信はいつでも解除できます（各メール下部のリンクから）。
詳しくはプライバシーポリシーをご覧ください。
登録は1分・いつでも解除できます
