DL Advocate：以唱反调方式探究隐藏系统不确定性的影响

我们提出一种基于机器学习的新方法，用以“唱反调”（play the devil's advocate），并以定量方式研究未知系统效应的影响。该方法通过逆转测量过程，在标准模型假设下利用物理结果来解释系统效应。我们以两种替代方案探索这一思路：第一种依赖于梯度下降与优化技术的结合，其应用与潜力通过一个研究重味衰变分支比测量的示例加以说明；第二种方法采用强化学习，应用于 $B^0 \to K^{*0} \mu^+\mu^-$ 衰变中 $P_{5}^{'}$ 角观测量的确定。我们发现，对于前者，假设存在的隐藏系统不确定性的大小强烈依赖于信号与归一化通道之间的运动学重叠，而后者对效率的可能错误建模具有极强的鲁棒性。