ParticleTransformer is all you need for reconstructing hadronic tau leptons

ملخص تقني: محول الجسيمات (ParticleTransformer) لإعادة بناء التاو الهادروني في مصادم FCC-ee

بيان المشكلة
من المتوقع أن ينتج برنامج TeraZ القادم في المصادم الدائري المستقبلي (FCC-ee) ما يقرب من $10^{11}$ حدثًا من نوع $Z \to \tau\tau$. تتطلب القياسات الدقيقة والبحث عن فيزياء ما وراء النموذج المعياري في هذه المجموعة من البيانات إعادة بناء دقيقة لليبتونات التاو الهادرونية ($\tau_h$). هذه المهمة صعبة بطبيعتها بسبب عمر التاو القصير (290 فمتوثانية)، مما يمنع رصدها مباشرة، وبسبب وجود النيوترينوات غير المكتشفة ($\nu_\tau$) التي تسلب جزءًا كبيرًا من المعلومات الكينماتيكية. علاوة على ذلك، فإن التنوع في توبولوجيا اضمحلال التاو الهادروني (الذي يتراوح من هادرونات مشحونة مفردة إلى حالات متعددة البيونات المعقدة) يعقد تصميم خوارزميات استدلالية قوية. غالبًا ما تعتمد النهج الحالية على خطوات إعادة بناء متسلسلة أو خوارزميات متخصصة لمهام محددة (مثل التحديد مقابل الكينماتيكا)، وتفتقر إلى إطار عمل موحد قادر على تقديم كائنات معاد بناؤها عالية المستوى مباشرة من مكونات الكاشف.

المنهجية
يقترح المؤلفون نهجًا يعتمد بالكامل على التعلم الآلي باستخدام بنية ParticleTransformer لإعادة بناء كائنات $\tau_h$ بطريقة شاملة (end-to-end). تُصاغ عملية إعادة البناء كأربع مهام تعلم مُشرف عليه متكاملة:

1. تحديد التاو (Tau Identification): تصنيف ثنائي للتمييز بين نفاثات $\tau_h$ ونفاثات الخلفية ($q\bar{q}$).
2. تصنيف نمط الاضمحلال (Decay Mode Classification): تصنيف متعدد الفئات إلى ست فئات بناءً على تعدد الهادرونات المشحونة ($h^\pm$) والبيونات المحايدة ($\pi^0$).
3. إعادة بناء الشحنة (Charge Reconstruction): تصنيف ثنائي لتحديد إشارة الشحنة الكهربائية ($\pm 1$).
4. الارتباط الكينماتيكي (Kinematic Regression): التنبؤ بالزخم المرئي الكامل ($p^\mu = p_T^{vis}, \eta^{vis}, \phi^{vis}, m^{vis}$).

تُقيم الدراسة استراتيجيتين مختلفتين للتدريب باستخدام إطار محاكاة CLD (الكاشف الشبيه بـ CLIC) ومجموعة بيانات Fuτure (التي تحتوي على حوالي 2 مليون حدث من $Z/\gamma^* \to \tau\tau$ الإشارية و $Z/\gamma^* \to q\bar{q}$ الخلفية عند طاقة مركز الكتلة $\sqrt{s} = 91$ GeV):

• SingleParTau: نموذج مخصص يتم تدريبه بشكل مستقل لكل مهمة من المهام الأربع.
• MultiParTau: نموذج موحد متعدد المهام يتشارك في بنية أساسية واحدة من نوع ParticleTransformer (طبقة التضمين وطبقتين من المحول/Transformer) عبر جميع المهام، مع استخدام رؤوس مخرجات خاصة بكل مهمة (CLS tokens) للتنبؤات النهائية.

يستخدم نهج MultiParTrain خوارزمية PCGrad لموازنة التدرجات ديناميكيًا بين المهام، مما يقلل من تداخل التدرجات. تتكون مدخلات النموذج من مرشحات تدفق الجسيمات (مسارات وكتل كاليدوريمتر) المجمعة في نفاثات، بما في ذلك المتغيرات الكينماتيكية، وعلامات تحديد هوية الجسيمات، ومعاملات التأثير.

المساهمات الرئيسية

• أول نهج موحد للتعلم الآلي لـ FCC-ee: يقدم هذا العمل أول إطار عمل لتعلم الآلة لإعادة بناء التاو الهادروني تم ضبطه خصيصًا لدراسات FCC-ee، حيث يغطي التحديد، ونمط الاضمحلال، والشحنة، والكينماتيكا الكاملة في آن واحد.
• كفاءة تعدد المهام: يثبت البحث أن نموذجًا موحدًا واحدًا (MultiParTau) يمكنه تحقيق أداء مماثل، أو أفضل قليلاً، من أربعة نماذج مخصصة (SingleParTau) مع استخدام حوالي ربع عدد المعلمات القابلة للتدريب فقط (3.58 مليون مقابل ~13.92 مليون مجتمعة).
• تكامل المهام الشامل: ينجح إطار العمل في دمج إعادة بناء الشحنة والارتباط الرباعي للزخم، مما يوسع العمل السابق الذي ركز بشكل أساسي على التحديد والزخم المستعرض.

النتائج
تم تقييم النماذج على عينات محاكاة بالكامل مع تأثيرات الكاشف الواقعية. تشمل مقاييس الأداء الرئيسية ما يلي:

• تحديد التاو: يحقق كلا النهجين معدلات خطأ في تحديد النفاثات بمقدار $O(10^{-3})$ عند كفاءة إشارة عالمية تبلغ 80%. الأداء متماثل تقريبًا عبر كامل نطاق $p_T$.
• تصنيف نمط الاضمحلال: تحقق النماذج درجات F1 تترا-وحول 0.89–0.95 للقنوات السائدة. يُظهر النموذج الموحد (MultiParTau) تفوقًا طفيفًا في درجات F1 عبر جميع الأنماط مقارنة بـ SingleParTau.
• إعادة بناء الشحنة: يحقق كلا النموذجين من التعلم الآلي معدلات خطأ في تحديد الشحنة أقل من $10^{-3}$ حتى كفاءة 80%. وهذا يتفوق على مقدر شحنة النفاثة التقليدي ($Q_\kappa$) بمقدار أمر أو أمرين من حيث المقدار، لا سيما عند قيم $p_T$ العالية.
• إعادة بناء الكينماتيكا:
  • دقة الزوايا: يحقق SingleParTau أفضل دقة زاوية (متوسط $\Delta R \approx 3.1\text{--}3.7 \times 10^{-3}$)، بينما يكون MultiParTau أقل قليلاً ($3.8\text{--}5.4 \times 10^{-3}$)، ولكنه لا يزال أفضل بكثير من مقاييس النفاثة على مستوى إعادة البناء.
  • دقة الزخم: يحقق كلا النموذجين دقة في الزخم المستعرض المرئي بنسبة مئوية ($2.51\text{--}3.20\%$)، وهو ما يتفوق على مقاييس النفاثة القياسية.
  • إعادة بناء الكتلة: تعتبر الكتلة المرئية ($m^{vis}$) المكون الأكثر صعوبة في الارتباط بسبب اعتمادها على نمط الاضمحلال والنيوترينو الهارب، مما يؤدي إلى توزيعات أكثر اتساعًا.

الأهمية والادعاءات
يدعي البحث تقديم حل واقعي عالي الأداء لإعادة بناء التاو الهادروني في FCC-ee. تكمن الأهمية الأساسية في إثبات أن بنية موحدة متعددة المهام يمكنها التعامل بفعالية مع الطيف الكامل لمتطلبات إعادة بناء $\tau_h$ (التحديد، الشحنة، نمط الاضمحلال، والكينماتيكا) دون العبء الحسابي لتدريب ونشر نماذج متعددة متخصدة.

بينما يحقق نهج SingleParTrain المخصص أفضل أداء كينماتيكي مطلق، يؤكد المؤلفون أن نهج MultiParTau يقدم بديلًا عالي الكفاءة يحقق أداء تصنيف أفضل قليلاً مع جزء ضئيل من المعلمات. تولد النماذج الناتجة كائنات $\tau_h$ عالية المستوى مناسبة لتحليلات الفيزياء اللاحقة، مثل القياسات الدقيقة لزاوية الخلط الكهروضعيفة والبحث عن انتهاك لفلور اللبتون المشحون. يشير المؤلفون إلى أن العمل المستقبلي سيركز على توسيع تغطية أنماط الاضمحلال (مثل الأنماط الغنية بالكاونات)، ودمج معلومات الرأس الثانوي، واحتمالية توسيع النطاق ليشمل إعادة بناء النيوترينو.