TIGER: A Topology-Agnostic, Hierarchical Graph Network for Event Reconstruction

El artículo presenta TIGER, una novedosa red de grafos jerárquica agnóstica a la topología que supera las limitaciones de los modelos de topología única mediante el aprovechamiento de la estructura universal de las desintegraciones secuenciales de dos cuerpos para realizar la reconstrucción y clasificación de eventos de forma flexible y multitarea para diversos procesos físicos en el LHC.

Lo esencial

Imagina el Gran Colisionador de Hadrones (LHC) como un choque de coches masivo y de alta velocidad. Cuando dos protones chocan, no solo se rompen en pedazos; se fragmentan en una cascada caótica de partículas más pequeñas que salen disparadas en todas direcciones. Estas partículas son inestables y decaen (se desmoronan) casi instantáneamente, creando un "árbol genealógico" de escombros.

El trabajo de la Reconstrucción de Eventos es observar la pila final de escombros (las partículas que golpean el detector) y determinar exactamente de qué "padre" original proviene cada pieza. Es como intentar mirar una pila de piezas de Lego rotas y clasificarlas correctamente de nuevo en los conjuntos de Lego específicos a los que pertenecían originalmente, incluso aunque no puedas ver los conjuntos originales.

El problema con los métodos antiguos

Tradicionalmente, los científicos utilizaban reglas rígidas (como fórmulas matemáticas) para clasificar estos escombros. Sin embargo, cuando el choque es complejo, hay demasiadas formas posibles de clasificar las piezas, y las matemáticas se quedan bloqueadas.

Recientemente, los científicos empezaron a utilizar la Inteligencia Artificial (IA) para ayudar. Pero la mayoría de estos modelos de IA son como detectives especializados:

• Un detective es contratado solo para resolver el "Choque de Coches A". Sabe exactamente cómo era el coche antes del choque.
• Otro detective es contratado solo para el "Choque de Coches B".

Si le das al detective del "Choque de Coches A" una pila de escombros del "Choque de Coches B", se confunde porque espera una forma específica. En los experimentos de física reales, a menudo hay una mezcla de diferentes tipos de choques (señales) y ruido de fondo. Si tu IA es demasiado especializada, obliga a que cada evento se parezca al que fue entrenado, lo que conduce a errores.

La solución: TIGER

Los autores presentan TIGER (Reconstrucción de Eventos basada en Grafos Independiente de la Topología). Piensa en TIGER no como un detective especializado, sino como un maestro resolutor de acertijos que entiende las reglas de cómo se construyen los acertijos, en lugar de memorizar imágenes específicas.

TIGER es Agnóstico a la Topología. Esto significa que no necesita saber de antemano cómo es la imagen final. No necesita un "plano" del evento.

Cómo funciona TIGER (La analogía)

TIGER utiliza un enfoque "jerárquico", que es como resolver un acertijo en dos pasos:

1. Paso 1: Encontrar las piezas intermedias.
   Imagina que los escombros caen en grupos. TIGER primero busca pequeños grupos que probablemente provengan de un padre de nivel medio. Por ejemplo, podría detectar dos partículas que claramente provienen de un "bosón W" (una partícula intermediaria), incluso si aún no sabe cuál era el padre final. Trata estos grupos como "meta-nodos" (super-piezas).

   • Metáfora: Es como ver dos piezas de Lego unidas y darse cuenta de: "Ah, esto es un ensamblaje de rueda", sin saber todavía si esa rueda pertenece a un coche o a un camión.

2. Paso 2: Construir la imagen final.
   Una vez que ha identificado estos "ensamblajes de ruedas" (partículas intermedias), observa cómo se conectan con otras piezas sueltas para formar las partículas "madre" finales (como un quark top o un bosón de Higgs).

   • Metáfora: Ahora toma ese "ensamblaje de rueda" y lo encaja en un chasis para darse cuenta de: "¡Oh, esto es un coche!".

El ingrediente secreto: TIGER asume que la mayoría de las partículas decaen en una cadena simple: un padre se divide en dos hijos, y esos hijos podrían dividirse en dos más. No asume qué son esos padres, solo cómo se dividen. Esto le permite manejar eventos complejos y desordenados donde el número de partículas varía, o donde diferentes tipos de choques ocurren al mismo tiempo.

Lo que encontró el artículo

Los investigadores probaron TIGER en dos tipos de colisiones de partículas:

1. $t\bar{t}$ Totalmente Hadrónico: Un choque complejo que involucra quarks top.
2. $t\bar{t}H$ Semi-leptónico: Un choque aún más desordenado que involucra quarks top y un bosón de Higgs.

Compararon TIGER con los modelos de IA "campeones" actuales (HyPER y SPANet), que son los detectives especializados mencionados anteriormente.

• Precisión (Eficiencia): TIGER fue tan bueno como los modelos especializados en encontrar las partículas correctas.
• Limpieza (Pureza): Aquí es donde TIGER brilló. Debido a que TIGER no obliga a los datos a ajustarse a una forma preestablecida, cometió muchas menos conexiones "falsas".
  • El Resultado: Mientras que los modelos especializados a menudo adivinaban "dos quarks top" incluso cuando los datos solo respaldaban uno (lo que conduce a errores), TIGER decía: "Solo veo uno", y tenía razón. Redujo el número de conjeturas erróneas por un margen significativo (a veces duplicando la pureza).

Bonus: El truco de "dos en uno"

El artículo también muestra que TIGER puede hacer dos trabajos a la vez. Mientras está clasificando los escombros, también puede mirar toda la pila y decir: "Este es un evento de señal" (la física interesante que queremos) o "Esto es ruido de fondo" (cosas aburridas). Realizó esta tarea de clasificación mejor que los modelos especializados también.

La conclusión

TIGER es una herramienta flexible e inteligente que no necesita que se le diga qué tipo de evento está buscando. Aprende las reglas fundamentales de cómo se desmoronan las partículas y utiliza eso para reconstruir el pasado. Es más adaptable y comete menos errores cuando los datos son desordenados o mixtos, lo que lo convierte en una poderosa nueva herramienta para los físicos que intentan comprender el universo.

Resumen técnico

Resumen Técnico: TIGER – Una Red de Grafos Jerárquica y Agnóstica a la Topología para la Reconstrucción de Eventos

Planteamiento del Problema
La reconstrucción de eventos en el Gran Colisionador de Hadrones (LHC) consiste en asignar objetos detectados (jets, leptones) a sus partículas progenitoras reales. Este es un desafío combinatorio que se vuelve intratable para los métodos estadísticos tradicionales (por ejemplo, $\chi^2$, verosimilitud) en eventos con múltiples partículas inestables. Aunque enfoques recientes de aprendizaje automático como Topograph, HyPER y SPANet han mejorado el rendimiento mediante la incorporación de conocimiento físico en las arquitecturas de red, sufren una limitación crítica: dependen de una única topología de evento predefinida. En análisis realistas donde coexisten procesos de señal y de fondo con diferentes estructuras, estos modelos especializados requieren modificaciones arquitectónicas para nuevas topologías o fuerzan los eventos de fondo hacia la topología de la señal, lo que limita su generalizabilidad y pureza.

Metodología: La Arquitectura TIGER
Los autores presentan TIGER (Topology-Independent Graph-based Event Reconstruction), una red de grafos jerárquica diseñada para ser fundamentalmente agnóstica a la topología. El modelo opera sobre la observación de que la mayoría de los procesos del LHC involucran desintegraciones secuenciales de dos cuerpos (por ejemplo, $t \to Wb \to qq'b$), aunque no codifica de forma rígida las cadenas de desintegración.

La arquitectura consta de tres componentes principales:

1. Codificación (Encoding): Las características de entrada (momento transversal $p_T$, pseudorapidez $\eta$, ángulo azimutal $\phi$, masa $m$ y energía transversal faltante MET) se concatenan con etiquetas de codificación one-hot (b-tag, lepton-tag). Estas se integran mediante Perceptrones de Capas Múltiples (MLP) y son procesadas por un Transformador de Difusión (DiT) para actualizar las representaciones ocultas, incorporando el contexto global (características medias de los nodos y recuento total de objetos).
2. Aprendizaje de Grafos Jerárquico: Esta es la innovación central, que procede en dos etapas:
   • Etapa 1: Se construye un grafo totalmente conectado a partir de los objetos de entrada. Un MLP clasifica las aristas para determinar si dos objetos se originan de la misma partícula progenitora (por ejemplo, formando un bosón $W$ o un Higgs). Las partículas intermedias identificadas son promovidas a "meta-nodos".
   • Etapa 2: Se forma un nuevo grafo que contiene los nodos originales y los meta-nodos seleccionados. La clasificación de aristas se realiza nuevamente para combinar las partículas intermedias con los objetos restantes para formar las partículas del estado final (por ejemplo, combinando un meta-nodo $W$ y un jet-$b$ para formar un quark top).
   • Decisión de Diseño: Para evitar la propagación de errores, los nodos incorporados en los meta-nodos no se descartan; permanecen disponibles para la segunda etapa. Se permiten asignaciones ambiguas (por ejemplo, jets compartidos) durante el entrenamiento, pero se resuelven mediante un algoritmo de post-procesamiento dedicado durante la evaluación para asegurar la consistencia física (sin doble conteo).
3. Clasificación de Eventos (Opcional): Una capa de agrupación (pooling) agrega las características de los nodos y meta-nodos, pasándolas a través de un MLP para la clasificación binaria de señal frente a fondo.

La función de pérdida total es una suma ponderada de las pérdidas de entropía cruzada de ambas etapas de aprendizaje de grafos, una tarea de clasificación auxiliar (predicción de orígenes de partículas) y la clasificación a nivel de evento.

Contribuciones Clave

• Agnosticismo Topológico: A diferencia de HyPER o SPANet, TIGER no requiere conocimiento previo de la topología del evento ni del número de partículas reconstruibles. Aprende la estructura de desintegración directamente de los datos.
• Aprendizaje Multitarea: El marco de trabajo permite la reconstrucción y clasificación simultánea de eventos, aprovechando representaciones compartidas para mejorar el rendimiento.
• Generalizabilidad: Al apoyarse únicamente en la estructura común subyacente de las desintegraciones secuenciales de dos cuerpos, TIGER puede teóricamente manejar diversos procesos de señal y de fondo sin cambios arquitectónicos.

Resultados
El modelo fue evaluado en dos conjuntos de datos: eventos $t\bar{t}$ totalmente hadrónicos y eventos $t\bar{t}H$ semileptónicos.

• $t\bar{t}$ Totalmente Hadrónico: Comparado con la línea base especializada HyPER, TIGER logró eficiencias de reconstrucción comparables pero demostró una pureza significativamente mayor. Para quarks top individuales, la pureza mejoró casi un 10% en promedio. A nivel de evento, la pureza de TIGER fue más del doble que la de la línea base en escenarios de baja multiplicidad de jets. Esto se atribuye a la tendencia de la línea base a forzar una reconstrucción de dos quarks top incluso cuando la topología del evento no lo permite, mientras que TIGER se adapta a la estructura real del evento.
• $t\bar{t}H$ Semileptónico: Comparado con SPANet, TIGER mostró eficiencias comparables en la reconstrucción del bosón Higgs y del top leptónico. Aunque tuvo un rendimiento ligeramente inferior en la reconstrucción del top hadrónico y del evento completo, logró una mejora sustancial de la pureza (aproximadamente un 10% de promedio) en los tops hadrónicos, los bosones Higgs y las reconstrucciones de eventos completos.
• Señal vs. Fondo: En una tarea de clasificación para distinguir $t\bar{t}H$ del fondo dominante $t\bar{t} + bb$, TIGER superó a la línea base de SPANet ajustada finamente, validando su efectividad como un marco de aprendizaje multitarea.

Significancia y Reivindicaciones
El artículo afirma que TIGER proporciona una herramienta poderosa y generalizable para el análisis de la física del LHC. Su principal significancia radica en cerrar la brecha entre el alto rendimiento de los modelos especializados y la flexibilidad requerida en las condiciones experimentales realistas donde las topologías de los eventos no se conocen de antemano. Al eliminar la necesidad de supuestos topológicos predefinidos, TIGER ofrece un marco más robusto para análisis que involucran procesos mixtos de señal y fondo. Los autores señalan que, si bien el trabajo actual se centra en cadenas de desintegración de dos cuerpos, la arquitectura es naturalmente extensible a topologías más complejas (por ejemplo, desintegraciones de tres puntas) mediante niveles jerárquicos adicionales, aunque tales generalizaciones están fuera del alcance de este estudio específico.