Machine-learning techniques for model-independent searches in dijet final states

Resumen Técnico: Técnicas de aprendizaje automático para búsquedas independientes del modelo en estados finales de dijets

Planteamiento del problema
La búsqueda de física más allá del Modelo Estándar (SM) en el Gran Colisionador de Hadrones (LH) se enfrenta cada vez más al desafío del abrumador fondo de procesos del SM, particularmente aquellos mediados por la interacción fuerte (multijets de QCD). Las búsquedas tradicionales dependen de clasificadores de aprendizaje automático (ML) supervisados, entrenados para distinguir procesos de fondo específicos del SM de señales hipotéticas más allá del Modelo Estándar (BSM). Este enfoque requiere formulaciones teóricas explícitas para cada modelo alternativo, lo que limita el alcance del descubrimiento a las hipótesis conocidas. Además, las técnicas tradicionales de "búsqueda de picos" (bump hunt), que buscan picos resonantes en la masa invariante de los sistemas de dijets ($m_{jj}$), pueden fallar si la fracción de señal es demasiado pequeña para producir un pico visible frente al fondo suavemente decreciente del SM. El artículo aborda la necesidad de métodos de detección de anomalías agnósticos al modelo que puedan identificar jets anómalos sin conocimiento previo de las propiedades específicas de la señal, evitando al mismo tiempo el "moldeado" (sculpting) de la distribución de $m_{jj}$, lo que invalidaría las interpretaciones estadísticas.

Metodología
El artículo presenta una comparación detallada de cinco técnicas distintas de aprendizaje automático aplicadas a datos de colisiones protón-protón recolectados por el experimento CMS a $\sqrt{s} = 13$ TeV (2016–2018, 138 fb$^{-1}$). El análisis se dirige a estados finales de dijets donde una resonancia pesada ($A$) decae en dos partículas más ligeras ($B$ y $C$), que posteriormente decaen en partículas del SM formando dos jets de radio grande. Los métodos se categorizan según sus paradigmas de entrenamiento:

1. No supervisado (VAE-QR): Un Autoencoder Variacional (VAE) se entrena con los momentos de los constituyentes de bajo nivel de los jets en una región de banda lateral (sideband, donde la señal está suprimida) para aprender la distribución del fondo del SM. La pérdida de reconstrucción sirve como puntuación de anomalía. Para evitar que la selección distorsione el espectro de $m_{jj}$ (moldeado), se emplea un paso de Regresión de Cuantiles (QR) para normalizar el umbral de anomalía como una función de $m_{jj}$, asegurando que se seleccione una fracción constante de eventos independientemente de la masa.
2. Débilmente supervisado (CWoLa Hunting, TNT, CATHODE, CATHODE-b): Estos métodos utilizan la "Clasificación Sin Etiquetas" (CWoLa) para aprender la razón de verosimilitud entre el fondo y los datos directamente de las muestras de datos, sin etiquetas de señal explícitas.
   • CWoLa Hunting: Entrena clasificadores utilizando jets individuales mediante características de subestructura de alto nivel (por ejemplo, masa soft-drop, razones de N-subjettiness, puntuaciones de b-tagging) para distinguir jets en una región de señal (SR) de aquellos en bandas laterales adyacentes. Se aplican técnicas de reponderación para descorrelacionar la puntuación de anomalía de la cinemática del jet para mitigar el moldeado de la masa.
   • TNT (Tag N' Train): Combina la supervisión débil con una preselección inicial de un autoencoder no supervisado. Un jet se utiliza para "etiquetar" al otro como similar a la señal o al fondo basándose en la pérdida del autoencoder, creando muestras enriquecidas para el entrenamiento débilmente supervisado.
   • CATHODE / CATHODE-b: Utiliza un modelo generativo condicional (Flujos Normalizantes) entrenado en datos de banda lateral para estimar la densidad del fondo en la región de señal. Un clasificador débilmente supervisado distingue entre los datos observados y el fondo generado. CATHODE-b extiende esto incluyendo puntuaciones de b-tagging para mejorar la sensibilidad a los acoplamientos de quarks de tercera generación.
3. Semi-supervisado (QUAK): Incorpora un conjunto de priors de señal simulados para guiar la búsqueda. Utiliza Flujos Normalizantes entrenados tanto en el fondo como en puntos de referencia de señal específicos para definir un "espacio QUAK", seleccionando eventos que son disímiles al fondo pero similares a los priors de la señal.

Contribuciones clave

• Comparación exhaustiva: Este trabajo proporciona la primera comparación detallada de estos cinco diversos métodos de detección de anomalías utilizando datos reales de colisionadores, yendo más allá de estudios previos limitados a eventos simulados.
• Mitigación del moldeado: El artículo detalla contramedidas técnicas específicas (regresión de cuantiles, reponderación, modelado generativo) implementadas para asegurar que la selección de anomalías no cree artificialmente o distorsione picos en la distribución de $m_{jj}$, un requisito crítico para una inferencia estadística válida.
• Análisis del impacto de las características: El estudio investiga cómo diferentes conjuntos de características de entrada (constituyentes de bajo nivel frente a variables de subestructura de alto nivel) impactan el rendimiento, revelando que la elección de las características puede explicar las diferencias de sensibilidad entre los métodos, pero no explica totalmente las brechas de rendimiento entre algoritmos.
• Validación de datos: Se demuestra una aplicación novedosa de la detección de anomalías débilmente supervisada para identificar pares de quarks top Lorentz-boosted en el canal de decaimiento totalmente hadrónico, validando la capacidad de los métodos para recuperar la física conocida en un marco agnóstico al modelo.

Resultos

• Sensibilidad: Los cinco métodos demuestran una mayor sensibilidad a las señales BSM simuladas en comparación con una búsqueda inclusiva (sin selección de subestructura) y cortes de subestructura simples basados en modelos específicos. Sin embargo, ningún método único es óptimo para todas las topologías de señal.
• Complementariedad: El análisis de correlación de las puntuaciones de anomalía revela correlaciones bajas (típicamente < 60%) entre los métodos, lo que indica que identifican eventos anómalos basándose en criterios diferentes. Esto sugiere que combinar estos enfoques podría generar estrategias de búsqueda más potentes.
• Brechas de rendimiento: Aunque los clasificadores supervisados entrenados con las mismas características logran características de mejora de significación (SIC) elevadas, los métodos agnósticos al modelo alcanzan valores de SIC más bajos (aproximadamente el 50% del rendimiento supervisado para algunos métodos). Esta brecha se atribuye a la falta de etiquetas de señal durante el entrenamiento y a la necesidad de tener en cuenta las incertidumbres sistemáticas en el procedimiento de establecimiento de límites.
• Recuperación del quark top: En el estudio de validación, el método débilmente supervisado aisló con éxito los eventos $t\bar{t}$ del fondo de QCD, logrando una mejora de la significación comparable a la de un clasificador totalmente supervisado entrenado con las mismas entradas. Las técnicas de interpretabilidad (importancia de características por permutación) identificaron con éxito las propiedades físicas del exceso (masa del jet cerca de 175 GeV, altas puntuaciones de b-tagging y subestructura de tres ramas), demostando la viabilidad de interpretar los resultados positivos de la búsqueda de anomalías.

Significancia
El artículo afirma que estas técnicas de detección de anomalías logran mejorar con éxito la sensibilidad a las firmas de nuevas partículas de una manera agnóstica al modelo, ofreciendo una alternativa robusta a las búsquedas tradicionales basadas en hipótesis. Al demostrar que estos métodos pueden recuperar las propiedades de partículas conocidas (quarks top) sin conocimiento previo de su existencia, el trabajo valida el potencial de la detección de anomalías impulsada por ML para descubrir nueva física inesperada. El estudio enfatiza que la complementariedad de los diferentes métodos subraya el valor de emplear un conjunto diverso de estrategias de detección de anomalías en futuros análisis del LHC.