Transformer Neural Networks in the Measurement of $t\bar{t}H$ Production in the $H\,{\to}\,b\bar{b}$ Decay Channel with ATLAS

ملخص تقني: الشبكات العصبية المحولة (Transformer) في قياس إنتاج $t\bar{t}H$

المشكلة والسياق
يعد القياس المباشر لترابط يوكاوا (Yukawa coupling) بين الكوارك القمي (top quark) وبوزون هيجز أمراً بالغ الأهمية لفهم كسر التماثل الكهرومغناطزي الضعيف واستقرار جهد فراغ هيجز. وبينما توجد قياسات غير مباشرة عبر الحلقات الكمومية، فإن الرصد المباشر يتطلب الإنتاج المصاحب لبوزون هيجز مع زوج من الكواركات القمية ($t\bar{t}H$). كانت تجربة ATLAS قد نشرت سابقاً قياساً لهذه العملية في قناة اضمحلال $H \to b\bar{b}$ باستخدام مجموعة بيانات تشغيل Run 2 الكاملة (140 فمتوبار$^{-1}$ عند طاقة مركز الكتلة $\sqrt{s}=13$ تيرالكترون فولت). ومع ذلك، تواجه هذه القناة تحدياً كبيراً يتمثل في خلفية غير قابلة للرد (irreducible background) ناتجة عن إنتاج أزواج الكواركات القمية المصاحبة لنفاثات إضافية ($t\bar{t} + \text{jets}$)، لا سيما تلك التي تحتوي على نفاثات ذات ثقل (heavy-flavour jets). وقد عانت التحليلات السابقة من ضعف في قبول الإشارة ونمذجة الخلفية، مما استدعى إعادة تحليل باستراتيجيات محسنة لتحقيق دقة أعلى.

المنهجية
تقدم هذه الورقة إعادة تحليل لعملية $t\bar{t}H(b\bar{b})$ باستخدام استراتيجية تحليل متعدد المتغيرات (MVA) متطورة مدفوعة بشبكات عصبية محولة (transformer neural networks). وتشمل الابتكارات المنهجية الجوهرية ما يلي:

• بنية المحول (Transformer Architecture): يستخدم التحليل شبكات محولة، والتي طُورت في الأصل لمعالجة اللغات الطبيعية، لكل من تصنيف الأحداث وإعادة بناء بوزون هيجز. تم اختيار هذه الشبكات نظراً لثباتها تجاه تبديل ترتيب الكائنات المدخلة (permutation invariance) وقدرتها على التعامل مع العدد المتغير (variable cardinality)، وهو أمر ضروري لأحداث تصادم الجسيمات حيث يتغير عدد جسيمات الحالة النهائية ولا يوجد ترتيب ثابت.
• المتغيرات المدخلة: تستخدم الشبكات معلومات المتجهات الرباعية (four-vector) منخفضة المستوى ومعلومات وسم الـ $b$ (b-tagging) لجميع النفاثات (jets)، واللبتونات (leptons)، والطاقة المستعرضة المفقودة (missing transverse energy).
• تصنيف الأحداث وتحديد المناطق: على عكس التحليلات السابقة التي اعتمدت على قيود حركية صارمة، تستخدم هذه الاستراتيجية مخرجات الشبكة العصبية لتحديد المناطق. يتم تقسيم الخلفية ($t\bar{t} + \text{jets}$) إلى خمس فئات بناءً على نوع نكهة النفاثات التي لا تنشأ من اضمحلال الكواركات القمية: $t\bar{t} + \text{light}$، و $t\bar{t} + \geq 1c$، و $t\bar{t} + \geq 2b$، و $t\bar{t} + 1B$ (نفاثات تحتوي على هادرونات $b$ متقاربة)، و $t\bar{t} + 1b$.
  • المميزات (Discriminants): يتم تحويل احتمالات التصنيف متعدد الفئات إلى ستة مميزات فئوية للفصل بين إشارة $t\bar{t}H$ وفئات الخلفية الخمس. تُخصص الأحداث لمناطق الإشارة (SR) أو مناطق الضبط (CR) بناءً على هذه المميزات.
  • تخفيف شروط الاختيار المسبق: يسمح متانة التصنيف بتخفيف شروط الاختيار المسبق الحركية، مما يزيد من قبول الإشارة بمقدار ثلاثة أضعاف مقارًة بأول تحليل لـ Run 2. تستهدف عمليات الاختيار قنوات اللبتون الواحد ($\geq 5$ نفاثات) واللبتون المزدوج ($\geq 3$ نفاثات) مع $\geq 3$ من وسمات $b$، بالإضافة إلى قناة "معززة" (boosted) مخصصة لبوزونات هيجز ذات الزخم المستعرض العالي ($p_T^H$) حيث يقع كلا الكواركين $b$ داخل نفاثة واحدة.
• إعادة بناء هيجز: تستخدم شبكة إعادة بناء منفصلة طبقة اقتران (تشبه SPANet) لتحديد النفاثتين الناشئتين عن اضمحلال هيجز. يتيح ذلك إعادة بناء الزخم المستعرض لبوزون هيجز ($p_T^H$)، والذي يُستخدم كمتغير ملائمة (fit variable) في القناة المعززة وللقياسات التفاضلية.
• التحليل الإحصائي: يتم إجراء ملائمة احتمالية ملفية مجزأة (binned profile likelihood fit) عبر جميع المناطق. تستخلص الملائمة المقطع العرضي الشامل لـ $t\bar{t}H$ والمقطع العرضي التفاضلي في ستة مجالات من نماذج التعداد المبسطة (STXS) المحددة بناءً على قيمة $p_T^H$ الحقيقية.

المساهمات الرئيسية
تتمثل المساهمة الأساسية لهذا العمل في التنفيذ الناجح للشبكات العصبية المحولة لتقييد خلفية $t\bar{t} + \text{jets}$ المهيمنة (المقسمة إلى خمس فئات منفصلة) وقياس إشارة $t\bar{t}H$ في آن واحد. يتفوق هذا النهج على قياسات ATLAS السابقة من خلال:

1. تنفيذ استراتيجية تحليل مُحدثة تعتمد على المميزات متعددة المتغيرات لتعريف المناطق بدلاً من القيود الحركية الثابتة.
2. تحقيق زيادة قدرها ثلاثة أضعاف في قبول الإشارة من خلال تخفيف شروط الاختيار المسبق.
3. تقديم قياس تفاضلي للمقطع العرضي في مجالات $p_T^H$، باستخدام $p_T^H$ المُعاد بناؤه من الشبكة العصبية.

النتائج
أسفر التحليل عن فائض أحداث مرصود قدره 4.6 انحراف معياري فوق فرضية الخلفية فقط، مقارنة بمعنوية متوقعة قدرها 5.4 انحراف معياري.

• المقطع العرضي الشامل: المقطع العرضي الشامل المقاس هو $\sigma_{t\bar{t}H}^{\text{obs}} = 411^{+101}_{-92} \text{ fb}$ (الارتياب الإحصائي والمنهجي مجتمعين). وهو متوافق مع تنبؤ النموذج المعياري (SM) البالغ $\sigma_{t\bar{t}H}^{\text{SM}} = 507^{+35}_{-50} \text{ fb}$ عند $m_H = 125.09$ GeV.
• المقطع العرضي التفاضلي: تظهر نتائج المقطع العرضي التفاضلي عبر مجالات STXS الستة توافقاً مع تنبؤ النموذج المعياري، بقيمة احتمالية (p-value) تبلغ 89%. ولا تتجاوز معاملات الارتباط بين المجالات 30%.
• الأرتيابات: على عكس التحليلات السابقة حيث كانت نمذجة خلفية $t\bar{t} + \geq 1b$ هي المهيمنة، فإن المصادر الرئيسية للارتياب المنهجي في هذا القياس هي نمذجة إشارة $t\bar{t}H$ نفسها.

الأهمية
تزعم الورقة أن هذا القياس يمثل أدق قياس للمقطع العرضي لـ $t\bar{t}H$ في قناة واحدة حتى الآن. ومن خلال الاستفادة من الشبكات العصبية المحولة، يثبت التحليل أن تقنيات التعلم الآلي المتقدمة يمكن أن تحسن بشكل كبير التمييز بين عمليات الإشارة والخلفية المعقدة في فيزياء الطاقات العالية. ويؤكد هذا العمل صلاحية استخدام مثل هذه الشبكات للتقييد المتزامن للخلفية واستخراج الإشارة، مما يضع معياراً جديداً للقياسات الدقيقة في قناة $H \to b\bar{b}$.