Deep learning approaches to top FCNC couplings to photons at the LHC

فيما يلي ملخص تقني مفصل للورقة البحثية بعنوان "نهج التعلم العميق لروابط FCNC العلوية للفوتونات في مصادم الهادرونات الكبير (LHC)."

1. بيان المشكلة

تتناول الورقة تحدي اكتشاف تفاعلات التيار المحايد المتغير للنسيج (FCNC) التي تشمل الكوارك العلوي (top quark) والفوتون ($t \to q\gamma$ و $qg \to t\gamma$). في النموذج المعياري (SM)، تكون هذه العمليات مثبطة للغاية (نسب التفرع $\sim 10^{-17}$ إلى $10^{-12}$) بسبب آلية GIM. ومع ذلك، تتنبأ العديد من سيناريوهات ما وراء النموذج المعياري (BSM) بتعزيزات تصل إلى $10^{-4}$.

الحدود التجريبية الحالية من مصادم الهادرونات الكبير (LHC - التشغيل 2) تقع في نطاق $10^{-5}$ إلى $10^{-3}$. ومع توجه المصادم نحو مرحلة اللمعان العالي (HL-LHC) بلمعان متكامل يصل إلى $3000 \text{ fb}^{-1}$، هناك حاجة ماسة لتحسين حساسية التحليل لاستقصاء نسب التفرع نزولاً إلى $10^{-6}$. تعاني التحليلات القائمة على القطع (cut-based analyses) التقليدية في هذه المهمة لأنها تعتمد على قطوع خطية وتفشل في استغلال الارتباطات غير الخطية المعقدة في فضاءات السمات الكينماتيكية عالية الأبعاد، مما يؤدي إلى نقاء إشارة منخفض في ظل وجود خلفيات ضخمة من النموذج المعياري (مثل $t\bar{t}\gamma$، $t\gamma$، $W\gamma$، $Z\gamma$).

2. المنهجية

الإطار النظري

• نظرية المجال الفعال (SMEFT): يستخدم المؤلفون نظرية النموذج المعياري للمجال الفعال لنمذجة تأثيرات ما وراء النموذج المعياري عبر مؤثرات ذات البعد السادس. يركزون على المؤثرات التي تحفز روابط ثنائية القطب بين الكوارك العلوي، الفوتون، وكوارك خفيف من النوع العلوي ($u$ أو $c$).
• العمليات المدروسة:
  1. إنتاج الكوارك العلوي المنفرد: $qg \to t\gamma$ (حيث يتحلل الـ $t$ لبتونات).
  2. إنتاج أزواج الكواركات العلوية: $pp \to t\bar{t}$، حيث يتحلل أحد الكواركات العلوية عبر المسار المعياري ($t \to bW$) والآخر عبر مسار FCNC ($t \to q\gamma$).
• المحاكاة: تم توليد عينات الإشارة والخلفية باستخدام MadGraph5_aMC@NLO عند المستوى الرائد (LO). وتمت محاكاة تأثيرات الكاشف باستخدام MadAnalysis 5 مع وحدة محاكاة سريعة مبسطة (SFS).

استراتيجيات التحليل

تقارن الدراسة ثلاث استراتيجيات تحليل متميزة:

1. الاستراتيجية القائمة على القطع (Cut-Based): نهج تقليدي يطبق قطوع كينماتيكية متسلسلة (مثل $p_T$، $\eta$، العزل، $\Delta R$) لعزل أحداث الإشارة.
2. استراتيجيات التعلم العميق (DL): تم تدريب ثلاث بنيات للقيام بالتصنيف الثنائي (إشارة مقابل خلفية) باستخدام متغيرات كينماتيكية منخفضة وعالية المستوى:
   • المدرك متعدد الطبقات (MLP): يعامل الأحداث كمتجهات ثابتة الحجم مكونة من 29 سمة (مثل $p_T$، $\eta$، $\phi$، $E$، $\Delta R$، $\Delta \phi$، $H_T$، $m_{eff}$). يتعلم الحدود غير الخطية ولكنه يتجاهل الطوبولوجيا الجوهرية للحدث.
   • شبكة الانتباه الرسومية (GAT): تمثل الأحداث كرسوم بيانية (graphs) حيث تمثل العقد كائنات الحالة النهائية (نفاثات، فوتون، ليبتون، MET، top مُعاد بناؤه) وتمثل الحواف العلاقات بينها. تستخدم آلية انتباه لوزن أهمية العقد المجاورة ديناميكياً، مما يلتقط الهياكل الطوبولوجية المحلية.
   • المحول (Transformer): يعامل الأحداث كمجموعات غير مرتبة (سحب نقاط) من الجسيمات. يستخدم آليات الانتباه الذاتي (self-attention) لتقييم السياق العالمي وأهمية كل جسيم بالنسبة للآخرين، مع الحفاظ على ثبات التبديل (permutation invariance).

إعداد التدريب

• البيانات: تم دمج عينات الإشارة لـ $t\gamma$ و $t\bar{t} \to u\gamma$ و $t\bar{t} \to c\gamma$ مع الخلفيات المهيمنة ($t\bar{t}\gamma$، $t\gamma$، $W\gamma$، $Z\gamma$).
• التحسين: تم ضبط المعلمات الفائقة عبر البحث الشبكي العشوائي. تم تدريب النماذج باستخدام PyTorch و PyTorch Lightning مع محسنات AdamW وجدولة التخميد الجيبي (Cosine Annealing).
• التقييم: تم قياس الأداء باستخدام منحنيات خصائص تشغيل المستقبِل (ROC)، والمساحة تحت المنحنى (AUC)، ومصفوفات الارتباك. تم حساب الأهمية الإحصائية باستخدام طريقة $CL_s$.

3. المساهمات الرئيسية

• المقارنة المنهجية بين البنيات: تقدم الورقة معياراً صارماً للمقارنة بين MLP و GAT و Transformers في عمليات البحث عن top FCNC، موضحة أن البنيات القائمة على الانتباه (GAT و Transformers) تتفوق بشكل كبير على MLP التقليدي والأساليب القائمة على القطع.
• التعامل مع طوبولوجيا الحدث: تسلط الضما الضوء على ميزة تمثيل أحداث المصادم كرسوم بيانية أو مجموعات بدلاً من متجهات ثابتة. تلتقط نماذج Transformer و GAT الارتباطات المعقدة بين الجسيمات النهائية التي قد تغفل عنها نماذج MLP.
• توقعات الحساسية الكمية: توفر الدراسة حدود استبعاد محدثة لـ LHC Run 3 ($500 \text{ fb}^{-1}$) و HL-LHC ($3000 \text{ fb}^{-1}$)، وترجم أداء النموذج إلى قيود على معاملات ويلسون في إطار SMEFT ونسب التفرع.
• الاعتماد على النكهة: تقارن التحليلات صراحةً الحساسية لروابط FCNC لكوارك الـ $u$ مقابل كوارك الـ $c$، مشيرة إلى أنه بينما تكون معدلات إنتاج كوارك الـ $u$ أعلى بسبب توزيعات الزخم (PDFs)، فإن قناة الـ $c$ تستفيد من سمات كينماتيكية متميزة في نمط إنتاج الأزواج.

4. النتائج

أداء التصنيف

• القائم على القطع: حقق أهمية إشارة $S \approx 20.3$ (بافتراض 0% من عدم اليقين في الخلفية) ولكن بنقاء إشارة منخفض ($\sim 10\%$).
• MLP: حسن التمييز بمساحة تحت المنحنى (AUC) بلغت 0.928 لإنتاج الكوارك العلوي المنفرد و $\sim 0.78$ لإنتاج أزواج الكواركات العلوية. أظهر تحليل أهمية السمات أن $H_T$ و $\Delta R(b, \ell)$ و $p_T^\gamma$ كانت المتغيرات الأكثر حرجاً.
• GAT: حقق AUC قدره 0.973 (الإنتاج المنفرد) و $\sim 0.92$ (إنتاج الأزواج).
• Transformer: حقق الأداء الأعلى بـ AUC قدره 0.985 (الإنتاج المنفرد) و $\sim 0.935$ (إنتاج الأزواج). نجحت آلية الانتباه الذاتي في تحديد الارتباطات غير الخطية الدقيقة بين الجسيمات.

حدود الاستبعاد

حسنت نماذج التعلم العميق حدود الاستبعاد المتوقعة للروابط الشاذة ($f^\gamma_{tq}/\Lambda$) ونسب التفرع ($BR$) بشكل كبير:

• عند $139 \text{ fb}^{-1}$ (Run 2):
  • MLP: $BR(t \to u\gamma) \lesssim 1.0 \times 10^{-5}$، $BR(t \to c\gamma) \lesssim 2.4 \times 10^{-5}$.
  • Transformer/GAT: حسنت الحدود بعوامل تتراوح بين 1.5 إلى 2.6، لتصل إلى $BR(t \to u\gamma) \approx 3.6 \times 10^{-6}$ و $BR(t \to c\gamma) \approx 4.7 \times 10^{-6}$.
• عند $500 \text{ fb}^{-1}$ (Run 3): يمكن لنماذج Transformer استقصاء $BR(t \to u\gamma)$ نزولاً إلى $\sim 3.6 \times 10^{-6}$ و $BR(t \to c\gamma)$ نزولاً إلى $\sim 4.7 \times 10^{-6}$.
• عند HL-LHC ($3000 \text{ fb}^{-1}$): تتوقع الدراسة أنه يمكن استبعاد نسب التفرع المنخفضة حتى مستوى $10^{-6}$ عند مستوى ثقة 95% باستخدام مصنفات Transformer. تصل حدود الاقتران إلى $\sim 2 \times 10^{-3} \text{ TeV}^{-1}$.

5. الأهمية

تثبت هذه العمل أن بنيات التعلم العميق القائمة على الانتباه هي أدوات أساسية للجيل القادم من فيزياء مصادم الهادرونات الكبير. مع زيادة أحجام البيانات وتناقص الإشارات، تصبح الأساليب التقليدية القائمة على القطع ونماذج MLP البسيطة غير مثالية.

• الأثر الفيزيائي: القدرة على استقصاء نسب التفرع عند مستوى $10^{-6}$ تفتح الباب لاختبار مجموعة واسعة من نماذج ما وراء النموذج المعياري (مثل نماذج هيجز مزدوجة، التناظر الفائق، والنماذج المركبة) التي كانت غير متاحة سابقاً.
• الأثر المنهجي: تصادق الورقة على استخدام المحولات (Transformers) و شبكات الرسم البياني العصبية (GNNs) في فيزياء الطاقة العالية، موضحة أن التعامل مع أحداث المصادم كبيانات مهيكلة (رسوم بيانية أو مجموعات) بدلاً من متجهات غير مهيكلة يحقق تحسناً بمقدار 5 أضعاف في حدود الاستبعاد مقارنة بالطرق التقليدية.
• الآفاق المستقبلية: تشير النتائج إلى أن التحليلات التجريبية المستقبلية في مرحلة HL-LHC يجب أن تعطي الأولوية للنماذج القائمة على الانتباه لتعظيم إمكانات الاكتشاف في قطاعات الكوارك العلوي.