Machine learning techniques for jet reconstruction at LHCb and application to the search for $H \to b \bar{b}$ and $H \to c \bar{c}$ in $\sqrt{s}=13$ TeV $pp$ collisions

Este artículo presenta técnicas de aprendizaje automático para la calibración de la energía de los jets y el etiquetado de sabor en LHCb, las cuales se aplican para la búsqueda de desintegraciones inclusivas de $H \to b\bar{b}$ y $H \to c\bar{c}$ en colisiones $pp$ a 13 TeV, resultando en límites superiores observados al nivel de confianza del 95% de 6.6 y 1003 veces la sección eficaz del Modelo Estándar, respectivamente.

Lo esencial

Imagina el Gran Colisionador de Hadrones (LHC) en el CERN como un enorme y veloz destructor de partículas. Cuando los protones colisionan, se fragmentan en una lluvia caótica de partículas más pequeñas. Los físicos necesitan filtrar entre estos escombros para encontrar eventos específicos y raros, como encontrar un tipo específico de vidrio roto en un montón de arena.

Este artículo del experimento LHCb describe cómo utilizaron la inteligencia artificial (aprendizaje automático) para volverse mucho mejores clasificando estos escombros, específicamente para buscar el bosón de Higgs (una partícula famosa) descomponiéndose en dos tipos específicos de "quarks" (fondo y encanto).

Aquí tienes un desglose de lo que hicieron, utilizando analogías sencillas:

1. El Problema: Una multitud ruidosa

Cuando un bosón de Higgs se descompone en dos quarks, esos quarks salen disparados y se convierten en "jets" (chorros de partículas). El desafío es que la señal del Higgs es muy tenue y está enterrada bajo una montaña de ruido de fondo (colisiones ordinarias de partículas).

Para encontrar el Higgs, los físicos necesitan hacer dos cosas perfectamente:

1. Medir el peso: Necesitan saber exactamente cuánta energía tienen los jets para calcular la masa de la partícula original.
2. Identificar el sabor: Necesitan saber si los jets provienen de un quark "fondo" (bottom), un quark "encanto" (charm) o simplemente de un quark "ligero" genérico.

2. La Solución: Dos nuevas herramientas de IA

El equipo desarrolló dos nuevas técnicas de aprendizaje automático para mejorar su búsqueda.

Herramienta A: La "Báscula Inteligente" (Corrección de energía del jet)

La forma antigua: Imagina intentar pesar una maleta en una báscula que está ligeramente descalibrada. Usabas una fórmula simple para adivinar la corrección, pero no era perfecta, y tu medición del peso de la maleta seguía siendo un poco borrosa.
La nueva forma: El equipo construyó un Modelo de Regresión (un tipo de IA). En lugar de una fórmula simple, esta IA observa la "forma" del jet, cuántas partículas hay dentro de él y cómo están dispuestas. Actúa como una báscula superinteligente que aprende de millones de ejemplos para predecir el peso real del jet con mucha mayor precisión.
El resultado: La "borrosidad" en sus mediciones se volvió más nítida. Ahora podían distinguir la señal del Higgs del ruido de fondo de manera mucho más clara.

Herramienta B: El "Detective Experto" (Etiquetado de sabor del jet)

La forma antigua: Para identificar si un jet era un jet de "fondo" o de "encanto", el método antiguo buscaba una pista específica: un "vértice secundario" (un pequeño punto donde una partícula se descompuso). Era como un detective buscando una única huella dactilar. Si la huella era tenue o faltaba, el detective no podía tomar una decisión.
La nueva forma: Construyeron una Red Neuronal Profunda (DNN). Esto es como contratar a un detective que no solo busca una huella dactilar. Esta IA observa todo: las trayectorias de cada partícula, los depósitos de energía, los puntos de desintegración y la forma general del jet. Combina miles de pistas diminutas para tomar una decisión.
El resultado: Este "Súper Detective" es mucho mejor para detectar la diferencia entre jets de fondo, jets de encanto y jets ligeros ordinarios. Detectó más señales reales e ignoró más de las falsas.

3. La Gran Búsqueda: Buscando el Higgs

Con estas dos nuevas herramientas, el equipo fue a la caza del bosón de Higgs descomponiéndose en:

• Quarks fondo ($H \to b\bar{b}$)
• Quarks encanto ($H \to c\bar{c}$)

Analizaron datos de 2016 (1.6 fb$^{-1}$ de colisiones). No asumieron cómo se formaba el Higgs; simplemente buscaron los productos de desintegración en cualquier parte de los datos.

El Desafío: El ruido de fondo (colisiones ordinarias de partículas) es enorme. Para manejar esto, utilizaron un truco ingenioso: definieron una "Región de Control" (una zona segura donde sabían que no existía el Higgs) para aprender cómo era el ruido de fondo, y luego usaron ese conocimiento para predecir el ruido en su "Región de Señal" (donde el Higgs podría estar).

4. Los Resultados: ¿Qué encontraron?

Después de procesar los números, no encontraron evidencia de que el bosón de Higgs se estuviera descomponiendo de esta manera específica en su conjunto de datos. Los datos se veían exactamente como se esperaría si el Higgs no estuviera allí (o fuera demasiado raro para verlo con esta cantidad de datos).

Sin embargo, establecieron límites sobre qué tan seguido podría estar ocurriendo esto:

• Para los Quarks Fondo: Encontraron que, si el Higgs se está descomponiendo en quarks fondo, ocurre al menos 6.6 veces menos a menudo de lo que predice el Modelo Estándar. (Este es un resultado muy bueno; está cerca del límite esperado).
• Para los Quarks Encanto: Encontraron que, si el Higgs se está descomponiendo en quarks encanto, ocurre al menos 1,003 veces menos a menudo de lo predicho. (Este límite es mucho más débil, lo que significa que es mucho más difícil encontrar la señal de encanto porque el ruido de fondo es muy fuerte y los jets de encanto son más difíciles de detectar).

5. ¿Qué sigue?

El artículo concluye que, aunque no encontraron el Higgs en este conjunto de datos específico, sus nuevas herramientas de IA son un gran éxito. Demostraron que el aprendizaje automático puede mejorar significativamente la forma en que el LHCb mide los jets.

Predicen que, con más datos de futuras ejecuciones (Run 4 y Run 5 del LHC), estas herramientas serán lo suficientemente potentes como para finalmente observar el Higgs descomponiéndose en quarks fondo y acercarse mucho más a observar la desintegración en quarks encanto.

En resumen: Construyeron mejores gafas de IA para ver a través de la niebla de partículas. No encontraron el tesoro (la señal del Higgs) en este montón de arena específico, pero demostraron que sus nuevas gafas funcionan tan bien que están seguros de que encontrarán el tesoro con un montón de arena más grande en el futuro.

Resumen técnico

Resumen Técnico: Técnicas de Aprendizaje Automático para la Reconstrucción de Jets en LHCb y su Aplicación en las Búsquedas de $H \to b\bar{b}$ y $H \to c\bar{c}$

Planteamiento del Problema
El experimento LHCb, diseñado principalmente para la física de sabores pesados en la región de pseudorapididad frontal ($2 < \eta < 5$), enfrenta desafíos significativos en la reconstrucción e identificación de jets, particularmente aquellos originados por quarks de sabor pesado ($b$ y $c$). Los métodos de reconstrucción estándar sufren una resolución de energía degradada debido a los neutrinos no detectados en decaimientos semileptónicos y una eficiencia limitada para distinguir jets de sabor pesado de jets de sabor ligero (iniciados por quarks $u, d, s$ o gluones). Estas limitaciones obstaculizan la precisión de las búsquedas inclusivas del bosón de Higgs ($H \to b\bar{b}$ y $H \to c\bar{c}$) en el estado final de dijets, donde una resolución de masa invariante de dijets precisa y un etiquetado de sabor de alta pureza son críticos para separar la señal del abrumador fondo de QCD multijet.

Metodología
El artículo introduce dos técnicas novedosas de aprendizaje automático para abordar estos desafíos de reconstrucción e identificación, aplicadas a un conjunto de datos de colisiones $pp$a$\sqrt{s} = 13$ TeV correspondientes a una luminosidad integrada de $1.6 \text{ fb}^{-1}$ (recolectada en 2016).

1. Corrección de Energía de Jet (JEC) Basada en Regresión:

   • Enfoque: Se emplea un Regresor de Gradiente Potenciado (GBR) para corregir las energías de los jets, reemplazando el factor de corrección multiplicativo estándar.
   • Entradas: El modelo utiliza un conjunto exhaustivo de 421 características, incluyendo la cinemática del jet ($p_T, \eta, \phi$), composición (número de constituyentes, fracción de partículas cargadas), subestructura del jet (distribución de energía en anillos concéntricos $\Delta R$), información de muones y variables a nivel de evento (número de vértices primarios).
   • Entrenamiento: El regresor se entrena utilizando muestras de señal de $H \to b\bar{b}$ simuladas y muestras de fondo de dijets para predecir la energía del jet al nivel de verdad (truth-level). Se entrenan modelos separados para los jets líderes y sublederes.
   • Objetivo: Minimizar la diferencia entre la masa invariante de dijets reconstruida y la de verdad ($m_{reco} - m_{truth}$), mejorando así la resolución de la masa.

2. Red Neuronal Profunda (DNN) para el Etiquetado de Sabor de Jets:

   • Enfoque: Se desarrolla una Red Neuronal Profunda, inspirada en el algoritmo DeepJet de CMS, para discriminar entre jets $b$, jets $c$ y jets ligeros.
   • Arquitectura: La red procesa cuatro categorías de entradas: partículas cargadas, partículas neutras, vértices secundarios y propiedades globales del jet. Utiliza capas convolucionales 1D para las características de las partículas, una capa de Memoria a Largo Corto Plazo (LSTM) para el procesamiento secuencial de partículas cargadas/neutras, y capas densas para la clasificación final.
   • Entradas: Se incluyen hasta 20 partículas cargadas (ordenadas por parámetro de impacto) y 10 partículas neutras (ordenadas por energía) por jet, junto con la cinemática del vértice secundario y variables globales del jet.
   • Salida: La red devuelve tres probabilidades ($P_b, P_c, P_q$) que representan la verosimilitud de que el jet se origine de un quark $b$, un quark $c$ o un quark ligero, respectivamente.

3. Estrategia de Búsqueda y Estimación de Fondo:

   • Regiones de Señal y de Control: Las Regiones de Señal (SR) se definen mediante umbrales estrictos de probabilidad de la DNN y requisitos de etiquetado de vértice secundario. Las Regiones de Control (CR), compuestas por pares de jets de sabores mixtos, se utilizan para modelar el dominante fondo de QCD multijet de forma basada en datos.
   • Modelado del Fondo: Una función de transferencia (TF), parametrizada como un polinomio de Bernstein, extrapola la forma de la masa de dijets desde la CR hacia la SR.
   • Análisis Estadístico: Se realiza un ajuste de máxima verosimilitud binuado sobre el espectro de masa invariante de dijets ($45 < M_{jj} < 250 \text{ GeV}/c^2$). Las incertidumbres sistemáticas (por ejemplo, escala de energía de jet, eficiencia de etiquetado, modelado de fondo) se incorporan mediante parámetros de molestia (nuisance parameters). Los límites superiores se establecen utilizando el método $CL_s$.

Contribuciones Clave

• Desarrollo Algorítmico: El artículo presenta la primera aplicación de una corrección de energía de jet basada en GBR y una DNN de subestructura completa para el etiquetado de sabor en LHCb.
• Mejora del Rendimiento:
  • La corrección GBR mejora significativamente la resolución de la masa invariante de dijets en comparación con el método JEC cúbico estándar.
  • El algoritmo de etiquetado DNN demuestra una mejora de eficiencia relativa de $>9\%$ para jets $b$ y $>20\%$ para jets $c$ en comparación con el algoritmo de etiquetado de vértice secundario (SVT) estándar, manteniendo una tasa de identificación errónea de jets ligeros de $\sim 1\%$.
• Búsqueda Inclusiva: A diferencia de análisis previos de LHCb centrados en la producción asociada con bosones vectoriales ($VH$), este trabajo apunta a decaimientos inclusivos de $H \to b\bar{b}$ y $H \to c\bar{c}$ sin supuestos sobre el mecanismo de producción, lo que permite comparaciones más amplias con teorías de Más Allá del Modelo Estándar (BSM).

Resultos
Utilizando el conjunto de datos de 2016 ($1.6 \text{ fb}^{-1}$), no se observó un exceso significativo de eventos atribuibles a decaimientos del bosón de Higgs en ninguno de los dos canales. Los rendimientos de señal ajustados fueron compatibles con cero.

• Búsqueda de $H \to b\bar{b}$:

  • Límite superior observado al 95% CL: $6.6 \times \sigma_{SM}$ (211 pb).
  • Límite superior esperado al 95% CL: $11.1 \times \sigma_{SM}$.
  • El límite observado es más estricto de lo esperado debido a una fluctuación estadística a la baja en los datos.

• Búsqueda de $H \to c\bar{c}$:

  • Límite superior observado al 95% CL: $1003 \times \sigma_{SM}$ (1605 pb).
  • Límite superior esperado al 95% CL: $1834 \times \sigma_{SM}$.
  • La sensibilidad está limitada por una baja relación señal-fondo, una eficiencia de etiquetado de charm reducida y tasas de identificación errónea de fondo más altas.

• Incertidumbres Sistemáticas: La incertidumbre sistemática dominante para ambas búsquedas es la eficiencia de etiquetado del vértice secundario del jet (15% para $H \to b\bar{b}$, 19% para $H \to c\bar{c}$).

Significancia y Perspectivas Futuras
El artículo afirma que estos resultados establecen los límites más estrictos sobre la producción inclusiva de $H \to b\bar{b}$ y $H \to c\bar{c}$ utilizando el conjunto de datos actual de LHCb. La implementación de estas técnicas de aprendizaje automático demuestra su potencial para mejorar la precisión de las mediciones de jets en LHCb.

Los autores proporcionan extrapolaciones para la toma de datos futura (Run 3, Run 4 y Run 5). Concluyen que:

• Se espera que la observación del proceso inclusivo $H \to b\bar{b}$ sea factible para el final del Run 4 (50 $\text{fb}^{-1}$), con límites proyectados alcanzando $\sim 1.1 \times \sigma_{SM}$.
• Para el final del Run 5 (300 $\text{fb}^{-1}$), el canal inclusivo $H \to c\bar{c}$ está proyectado para restringir el acoplamiento Yukawa de charm ($y_c$) a aproximadamente $6.7$ veces el valor del Modelo Estándar. Este enfoque ofrece una restricción complementaria a las búsquedas de producción $VH$, ya que no depende de supuestos respecto al mecanismo de producción del Higgs.