Selection and processing of calibration samples to measure the particle identification performance of the LHCb experiment in Run 2

Este artículo describe la estrategia y el esquema de procesamiento de datos desarrollados en el experimento LHCb durante su Run 2 para seleccionar y analizar muestras de calibración, permitiendo medir el rendimiento de la identificación de partículas y garantizar la calidad de los datos mediante un modelo de computación dedicado que integra reconstrucción en línea y fuera de línea.

Lo esencial

¡Hola! Imagina que el experimento LHCb en el CERN es como un gigantesco y superpoderoso detector de mentiras en una fiesta masiva de partículas. Su trabajo es observar a las partículas que viajan a velocidades increíbles para entender los secretos más profundos del universo (como por qué existe la materia y no solo la antimateria).

Pero, para hacer esto, necesitan saber exactamente quién es quién en la fiesta. ¿Es ese un electrón? ¿Un protón? ¿Un muón? Si se equivocan al identificar a un invitado, toda la investigación sale mal.

Este documento explica cómo el equipo de LHCb creó un nuevo sistema para entrenar a sus "detectives" y asegurarse de que no se equivoquen, incluso cuando la fiesta se vuelve más caótica y rápida (lo que llamaron "Run 2").

Aquí tienes la explicación sencilla, paso a paso:

1. El Problema: Identificar a los invitados en la oscuridad

Imagina que entras a una habitación llena de gente corriendo. Tienes que decir si esa persona es un bombero, un médico o un chef solo por cómo se mueve y qué herramientas lleva.

• En LHCb, las "herramientas" son detectores (como cámaras de rayos X, espejos de luz y muros de hierro).
• El problema es que los detectores a veces se confunden. Un protón puede parecerse a un pión (una partícula más ligera).
• Para arreglarlo, necesitan muestras de calibración: son como "tarjetas de identificación" perfectas que saben exactamente quién es cada partícula sin tener que adivinar.

2. La Solución: El "Entrenamiento en Vivo" (Run 2)

Antes, el equipo tomaba fotos de la fiesta, las guardaba y luego, días después, las analizaba en la computadora para ver si los detectores funcionaban bien. Era lento y a veces perdían información.

En esta nueva etapa (Run 2), hicieron algo revolucionario: entrenan a los detectores en tiempo real.

• La Analogía: Imagina que en lugar de revisar las fotos al final de la noche, tienes un entrenador que está dentro de la fiesta, mirando a los invitados en el momento exacto y gritando: "¡Ese es un muón! ¡Anota eso!".
• Gracias a esto, pueden seleccionar las partículas "perfectas" (las que sirven para calibrar) mientras ocurren, sin esperar a que termine la fiesta.

3. La Estrategia del "Etiquetado y Sonda" (Tag-and-Probe)

¿Cómo saben que una partícula es, por ejemplo, un muón, si no pueden usar los detectores para adivinarlo? Usan una técnica inteligente llamada "Etiqueta y Sonda".

• La Analogía: Imagina que tienes un gemelo idéntico (la "Etiqueta") que ya sabes que es un muón porque lo viste nacer en una familia de muones (un decaimiento conocido, como el del J/ψ).
• Ahora, buscas a su "hermano gemelo" que viene con él (la "Sonda"). Como sabes que si uno es muón, el otro también debe serlo (por las leyes de la física), puedes estudiar al segundo sin necesidad de usar los detectores para identificarlo.
• Esto les da una muestra de datos pura y sin sesgos para ver cómo reaccionan realmente los detectores.

4. El Nuevo Sistema Informático: "Turbo y Full"

El equipo tuvo que inventar un nuevo sistema de computación porque había demasiada información. Imagina que tienes dos formas de guardar la fiesta:

1. Turbo Stream (El resumen rápido): Guardas solo la información de los invitados que te interesan (sus nombres, edades y qué trajeron). No guardas el video completo de la fiesta. Es rápido y ocupa poco espacio.
2. Full Stream (La grabación completa): Guardas todo el video crudo de la fiesta por si alguien necesita revisar un detalle muy específico más tarde.

La innovación: Crearon un formato híbrido llamado TurboCalib.

• Es como tener una tarjeta de invitado que contiene tanto el resumen rápido (lo que vio el detector en vivo) como el video completo (los datos crudos).
• Esto permite comparar lo que el detector "pensó" en el momento (en vivo) con lo que los expertos descubren después al revisar el video (fuera de línea). Si hay diferencias, pueden ajustar el detector.

5. ¿Para qué sirve todo esto?

Este sistema de calibración es vital por tres razones principales:

1. Medir la precisión: Saber exactamente qué porcentaje de veces el detector se equivoca. Es como saber que tu radar de velocidad tiene un error de 1 km/h a 100 km/h, pero de 5 km/h a 200 km/h.
2. Corregir la simulación: Los físicos usan ordenadores para simular el universo. Pero la simulación nunca es perfecta. Usan estas muestras reales para "enseñar" a la simulación a comportarse como la realidad.
3. Control de calidad: Si un detector empieza a fallar (por calor, por desgaste o por un error en los cables), las muestras de calibración lo detectan inmediatamente, como una alarma de humo que suena antes de que haya un incendio.

En resumen

Este documento cuenta la historia de cómo el equipo LHCb dejó de ser un "policía que revisa las fotos al día siguiente" para convertirse en un "policía con gafas de realidad aumentada" que ve, identifica y corrige los errores de sus detectores en tiempo real.

Gracias a esto, pueden estudiar partículas raras y buscar nueva física con una precisión increíble, asegurando que, cuando digan "¡Esa es una partícula nueva!", realmente lo sea y no sea un error de identificación. ¡Y todo esto ocurre en una fracción de segundo mientras las partículas chocan!

Resumen técnico

Resumen Técnico: Selección y Procesamiento de Muestras de Calibración para PID en LHCb (Run 2)

1. Planteamiento del Problema

El experimento LHCb, dedicado a la física de sabor pesado, requiere una identificación de partículas (PID) de alta precisión para distinguir entre electrones, muones, piones, kaones y protones. Esto es crucial para medir violaciones de CP y desintegraciones raras con probabilidades de error en el rango de partes por mil o menos.

Los desafíos principales identificados para la Run 2 (2015-2018) del LHC fueron:

• Complejidad del Trigger: El nuevo modelo de disparo (trigger) de LHCb realiza la reconstrucción de eventos en tiempo real (online) para la mayoría de los datos, reservando la reconstrucción offline solo para casos especiales. Esto requiere que las métricas de rendimiento de PID se midan utilizando variables calculadas online, pero también validadas offline.
• Sesgo de Selección: Las muestras de calibración deben ser libres de sesgos en las variables de PID para medir la eficiencia de forma imparcial. Sin embargo, los triggers de hardware y software previos ya aplican criterios basados en PID (ej. muones de alto $p_T$), lo que introduce sesgos si no se maneja correctamente.
• Escalabilidad: El aumento masivo de estadística en la Run 2 exigió nuevas estrategias de procesamiento de datos para manejar grandes volúmenes de muestras de calibración sin saturar los recursos de almacenamiento y computación.
• Corrección de Simulación: La simulación (MC) no modela perfectamente la respuesta de los detectores de PID, por lo que se necesitan técnicas robustas para corregir las simulaciones utilizando datos reales.

2. Metodología

El documento describe un enfoque integral que abarca la selección de datos, el modelo de computación y las técnicas estadísticas:

A. Selección de Muestras de Calibración (Modelo Tag-and-Probe)
Se diseñaron más de veinte selecciones exclusivas basadas en desintegraciones de hadrones pesados que permiten identificar una partícula ("tag") sin usar información de PID, dejando a la otra ("probe") libre de requisitos de PID para su medición.

• Especies y Canales:
  • Muones ($\mu$): $J/\psi \to \mu^+\mu^-$ y $B^+ \to J/\psi K^+$ (con $J/\psi \to \mu^+\mu^-$).
  • Piones ($\pi$): $K_S^0 \to \pi^+\pi^-$ y $D^{*+} \to D^0 \pi^+$ (con $D^0 \to K^- \pi^+$).
  • Kaones ($K$): $D_s^+ \to \phi \pi^+$ (con $\phi \to K^+ K^-$) y el canal de $D^{*+}$ mencionado.
  • Protones ($p$): $\Lambda^0 \to p \pi^-$ y $\Lambda_c^+ \to p K^- \pi^+$.
  • Electrones ($e$): $B^+ \to J/\psi K^+$ (con $J/\psi \to e^+ e^-$).
• Estrategia de Sesgo: Para evitar sesgos en las variables de PID, los algoritmos de trigger seleccionan eventos basándose en otros criterios (cinemática, calidad de ajuste) o aplican requisitos de PID a una partícula que no es la que se está calibrando.
• Substracción de Fondo: Se utiliza la técnica sPlot para substracción estadística del fondo. Se realizan ajustes (fits) a la masa invariante de las partículas madre para definir componentes de señal pura y fondo, asignando pesos (sWeights) a cada candidato.

B. Modelo de Computación y Procesamiento (TurboCalib)
Se implementó un esquema de procesamiento dual para satisfacer tanto las necesidades de análisis online (Turbo) como offline (Full):

1. Reconstrucción Online: Selecciona eventos en tiempo real y calcula variables de PID (como CombDLL y isMuon).
2. Reconstrucción Offline: Reprocesa los datos crudos (RAW) de los mismos eventos seleccionados online utilizando algoritmos dedicados y actualizados.
3. Formato TurboCalib: Un nuevo formato de datos que almacena tanto los candidatos del trigger como los datos crudos del detector. Esto permite emparejar (matching) las trayectorias reconstruidas online y offline para medir la eficiencia de requisitos combinados.
4. Implementación Distribuida: La substracción de fondo mediante sPlot se realiza de forma distribuida en miles de nodos de computación (grid) para manejar la gran estadística, evitando cuellos de botella en el almacenamiento.

C. Técnicas de Corrección y Medición de Eficiencia
Para aplicar las eficiencias medidas en las muestras de calibración a muestras de referencia (señal física), se utilizan tres estrategias principales:

1. Re-muestreo (Resampling): Reemplazar las variables de PID de la simulación con valores generados estadísticamente a partir de las distribuciones de probabilidad (PDF) de los datos de calibración.
2. Transformación de Variables: Mapear las variables de PID de la simulación para que sigan la distribución de los datos, preservando las correlaciones con otras variables cinemáticas. Se utiliza una estimación de densidad de kernel (biblioteca Meerkat) en 4 dimensiones ($p_T$, $\eta$, multiplicidad, variable PID).
3. Ponderación (Reweighting): Ponderar las muestras de calibración para que coincidan con la distribución cinemática de la muestra de referencia.

3. Contribuciones Clave

• Nueva Estrategia de Trigger: La selección de muestras de calibración se realiza directamente en el nivel más alto del trigger de software, eliminando el sesgo de selección offline presente en la Run 1 y maximizando la estadística.
• Arquitectura Híbrida Online/Offline: El desarrollo del formato TurboCalib permite una comparación directa y un emparejamiento entre la reconstrucción en tiempo real (usada en el trigger) y la reconstrucción offline completa, esencial para validar la consistencia del nuevo modelo de computación.
• Algoritmos Multivariados Avanzados: Uso y documentación de clasificadores como ANNPID (Redes Neuronales Artificiales) que combinan información de los sistemas de calorímetros, RICH y muones, junto con variables cinemáticas y de seguimiento, para mejorar la separación de partículas.
• Tecnología de Corrección de PID: Implementación robusta de técnicas de transformación de variables y re-muestreo que permiten corregir la simulación Monte Carlo utilizando datos reales, preservando correlaciones complejas entre variables.
• Herramienta Estandarizada (PIDCalib): Desarrollo de un paquete en Python (PIDCalib) que estandariza la transferencia de información de PID desde las muestras de calibración hacia los análisis de física, facilitando el uso por parte de la colaboración.

4. Resultados y Validación

• Cobertura Cinemática: Se lograron muestras de calibración que cubren un amplio rango de momento transversal ($p_T$) y pseudorapidez ($\eta$), utilizando combinaciones de canales de baja y alta energía (ej. $K_S^0$ para bajo $p_T$ y desintegraciones de hadrones charm para alto $p_T$).
• Control de Calidad: Las muestras se utilizan para monitorear la calidad de los datos en tiempo real, detectando desalineaciones entre la reconstrucción online y offline o variaciones temporales en el rendimiento del detector debido a condiciones ambientales o envejecimiento.
• Precisión Estadística: La implementación distribuida de sPlot y el aumento en la eficiencia de selección permitieron reducir la incertidumbre estadística en la medición de eficiencias de PID, dominada ahora por el tamaño de la muestra de referencia de señal en lugar de la muestra de calibración.
• Validación de Algoritmos: Se demostró que las correcciones aplicadas a la simulación mediante las muestras de calibración mejoran la concordancia entre datos y simulación en múltiples canales de desintegración.

5. Significado e Impacto

Este trabajo es fundamental para el éxito de la física de precisión en la Run 2 y sienta las bases para la Run 3 del LHC.

• Transición al "Trigger-Only": En la Run 3, LHCb operará con un trigger totalmente basado en software donde la mayoría de los datos se almacenarán como candidatos de desintegración (sin datos crudos). El modelo de computación y las técnicas de calibración descritas en este documento son el precursor necesario para asegurar que las mediciones de PID sean precisas sin la posibilidad de reprocesamiento offline tradicional.
• Fiabilidad de las Mediciones: Al proporcionar un método riguroso para medir y corregir la identificación de partículas, se reducen las incertidumbres sistemáticas en las mediciones de violación de CP y desintegraciones raras, permitiendo pruebas más sensibles del Modelo Estándar y búsqueda de nueva física.
• Escalabilidad: La solución propuesta demuestra cómo manejar grandes volúmenes de datos de calibración en un entorno de computación distribuida, un requisito crítico para los futuros aumentos de luminosidad del LHC.

En resumen, el documento detalla una evolución tecnológica y metodológica que transforma la forma en que LHCb gestiona, calibra y valida la identificación de partículas, asegurando la integridad de sus resultados científicos en un entorno de datos masivos y procesamiento en tiempo real.