Precision calibration of calorimeter signals in the ATLAS experiment using an uncertainty-aware neural network

بيان المشكلة
تستخدم تجربة ATLAS في مصادم الهادونات الكبير (LHC) كالوريمترات غير التعويضية، حيث يكون استجابة الإشارة للزخات الهادرونية أقل بشكل منهجي من استجابتها للزخات الكهرومغناطيسية. وتعتمد الطريقة القياسية لتصحيح ذلك على تسلسل "المعايرة الهادرونية المحلية" (LCW)، والذي يطبق إجراءً من أربع خطوات تشمل تصنيف العنقود، ووزن إشارة الخلية المحلية، وتصحيحات للتأثيرات خارج العنقود. ومع ذلك، تعتمد هذه الطريقة القياسية على جداول بحث متعددة الأبعاد مشتقة من محاكاة الجسيمات الفردية. هذا النهج يؤدي إلى متوسط الارتباطات بين المتغيرات الملحوظة ويسبب انقطاعات عند حواف الفئات (bins)، مما قد يحد من دقة المعايرة. علاوة على على ذلك، لا توفر طريقة LCW القياسية تقديرات للارتياب لكل عنقود، وهي تقديرات ضرورية لنشر الارتيابات المنهجية في عمليات إعادة البناء المعقدة للأحداث (مثل الزخم المستعرض المفقود أو بنية النفاثات الفرعية).

المنهجية
يقدم هذا البحث إطار عمل مبتكر للمعايرة يستخدم شبكة عصبية بايزية (BNN) لتعلم دالة معايرة مستمرة ومتعددة الأبعاد للعناقيد الطوبولوجية (topo-clusters) (وهي عناقيد من خلايا الكالوريمتر المتصلة طوبولوجياً).

• هدف التدريب: بدلاً من التنبؤ بالطاقة المترسبة ($E_{dep}^{clus}$) مباشرة، تتعلم الشبكة نسبة الاستجابة $R_{clus}^{EM} = E_{clus}^{EM} / E_{dep}^{clus}$، حيث $E_{clus}^{EM}$ هي الإشارة عند المقياس الكهرومغناطيسي و $E_{dep}^{clus}$ هي طاقة المستوى الحقيقي المترسبة من الجسيمات الأولية داخل العنقود.
• الميزات المدخلة: تستخدم الشبكة مجموعة ميزات ($X_{clus}$) مكونة من 15 متغيراً ملحوظاً، تشمل المتغيرات الكينماتيكية ($E_{clus}^{EM}$، والسرعة الزاوية/الاستقامة)، وخصائص الإشارة (الأهمية، التوقيت، التراص)، ومعلمات شكل الزخة (التشتت الطولي والجانبي)، والمتغيرات البيئية (مقاييس التراكم/الركام $N_{PV}$ و $\mu$).
• بنية الشبكة:
  • الشبكة العصبية البايزية (BNN): تُعامل أوزان الشبكة كتوزيعات احتمالية بدلاً من قيم ثابتة. أثناء الاستدلال، يتم أخذ عينات من معاملات الشبكة $N=50$ مرة لتوليد مجموعة من التنبؤات. وهذا يسمح للنموذج ليس فقط بإخراج قيمة معايرة مركزية، بل وأيضاً إخراج مكونات الارتياب الإحصائي والمنهجي. يستخدم دالة الخسارة نموذج خليط غاوسي (3 أنماط) لاستيعاب الانحرافات عن احتمالية غاوسية بسيطة، ويتضمن حد تباعد "كولباك-ليبلر" (Kullback-Leibler) للتنظيم.
  • المجموعة التنافرية (RE): للتحقق من صحة تنبؤات الارتياب الخاصة بـ BNN، تم تدريب نموذج بديل باستخدام مجموعات تنافرية. هذه الطريقة تجبر مجموعة من الشبكات ذات التكوين المتطابق على استكشاف مشهد الخسارة (loss landscape) بشكل مختلف من خلال إدخال قوة تنافر بين أعضاء الشبكة أثناء التدريب.
• مجموعة البيانات: تم تدريب واختبار النماذج على محاكاة مونت كارلو كاملة لتصادمات بروتون-بروتون عند طاقة $\sqrt{s} = 13$ TeV (الدورة 2)، وتحديداً باستخدام حالات النفاثات المتعددة (multijet). تتضمن مجموعة البيانات حوالي 14.5 مليون عنقود طوبولوجي، استُخدم 60% منها للتدريب.

النتائج الرئيسية

• أداء المعايرة: تظهر المعايرة المشتقة من BNN أداءً فائقاً مقارنة بطريقة LCW القياسية ونهج الشبكة العصبية العميقة (DNN) المدروس سابقاً.
  • الخطية: تحقق BNN متوسط انحراف عن الخطية $|\langle \Delta E \rangle_{med}| \lesssim 2\%$ للطاقات المترسبة $E_{dep}^{clus} \gtrsim 500$ MeV. ويمثل هذا تحسناً كبيراً في نظام الطاقة المنخفضة مقارنة بـ DNN، الذي يتطلب $E_{dep}^{clus} \gtrsim 1$ GeV للوصول إلى دقة مماثلة.
  • الدقة (Resolution): تم تحسين دقة الطاقة المحلية النسبية بشكل كبير فوق كل من LCW القياسي والمقاييس الكهرومغناطيسية عبر جميع ظروف التراكم ($N_{PV}$ و $\mu$) التي تم تقييمها. تظهر BNN اعتماداً أكثر استقراراً على نشاط التراكم مقارنة بـ DNN، خاصة عند مستويات التراكم العالية.
• تنبؤات الارتياب:
  • نجحت BNN في تعلم التنبؤ بالارتياب لكل عنقود طوبولوجي. ويمكن تفكيك هذه الارتيابات إلى مكونات إحصائية (يمكن تقليلها بمزيد من البيانات) ومنهجية (متأصلة في قيود النموذج أو البيانات).
  • تظهر المقارنة بين BNN ونماذج RE درجة عالية من الارتباط في تنبؤات الارتياب الخاصة بهما (اتفاق ضمن ~10%)، مما يشير إلى أن الارتيابات المتنبأ بها تعكس قيود البيانات الحقيقية وخصائص إشارة الكاشف بدلاً من كونها نتاجاً لخصائص معمارية معينة للشبكة.
  • لوحظ وجود ارتيابات متنبأ بها كبيرة للعناقيد الطوبولوجية في مناطق الانتقال المعقدة (مثل مسافات التباعد في بلاطات التشييد/Tile gap scintillators) وتلك المهيمن عليها من قبل التراكم، مما يحدد بشكل صحيح المناطق التي تكون فيها العلاقة بين الإشارة والحقيقة أقل حتمية.

الأهمية والادعاءات
يدعي البحث أن تطبيق الشبكة العصبية البايزية يوفر طريقة قوية لمعايرة إشارات كالوريمتر ATLAS تتفوق على طرق جداول البحث القياسية من حيث الدقة والاستمرارية. فمن خلال تعلم دالة مستمرة ومتعددة الأبعاد، تحافظ BNN على الارتباطات بين المتغيرات الملحوظة التي تُفقد في النهج المعتمد على الفئات.

وعلى نحو حاسم، يوضح هذا العمل أن التعلم الآلي الواعي بالارتياب يمكن أن يوفر تقديرات للارتياب لكل عنقود طوبولوجي يمكن تفسيرها كإسهامات في الارتياب المنهجي للمعايرة. إن الاتفاق بين BNN ومنهج المجموعة التنافرية المستقل (RE) يؤكد موثوقية تنبؤات الارتياب هذه. ويفترض المؤلفون أنه يمكن استخدام هذه الارتيابات لتحسين جودة الإشارة من خلال اختيار العناقيد الطوبولوجية، وكذلك لنشر الارتيابات في مخططات المعايرة "من الأسفل إلى الأعلى" (bottom-up) للحالات النهائية المعقدة، مثل الارتداد الهادروني الناعم أو بنية النفاثات الفرعية، مما يعزز الدقة الإجمالية لقياسات مصادم الهادونات الكبير (LHC). لا يزال التركيز في هذه الدراسة منصباً على التحقق من صحة الطريقة ضمن محاكاة مونت كارلو، مع ملاحظة أن تطبيقها على البيانات التجريبية يتطلب دراسات أداء إضافية لضمان نمذجة ارتباطات الميزات بشكل صحيح.