Physics Objects in CMS Run 3

Imagina el Gran Colisionador de Hadrones (LHC) como el colisionador de partículas más potente del mundo. Dentro del detector CMS, se chocan protones entre sí casi a la velocidad de la luz. El objetivo es ver qué pequeñas piezas salen disparadas del choque, con la esperanza de encontrar nueva física o medir partículas conocidas con una precisión extrema.

Este documento es un informe de progreso del equipo del CMS sobre cómo están gestionando los datos de la Run 3 (la fase actual de los experimentos). Aquí está el desglose de su trabajo, explicado de forma sencilla:

1. El problema de la "sala abarrotada" (Pileup)

Imagina intentar escuchar el susurro de una sola persona en una habitación silenciosa. Ahora, imagina que esa misma habitación se llena de repente con otras 60 personas hablando al mismo tiempo. Eso es lo que ocurre en el LHC en este momento. Cada vez que la máquina dispara un haz, crea unos 60 choques al mismo tiempo. Esto se llama "pileup".

El desafío: Es muy difícil distinguir qué partícula proviene de la colisión "principal" en la que estás interesado y cuáles son solo ruido de las otras 59 colisiones.
La solución: El equipo ha construido nuevos algoritmos de software más inteligentes que actúan como unos auriculares con cancelación de ruido superpotentes. Pueden filtrar la "charla de fondo" (el pileup) para que los físicos puedan escuchar claramente el "susurro" (el evento físico interesante).

2. Las herramientas de "detective" (Objetos de física)

Para entender las colisiones, el equipo necesita identificar "pistas" específicas o objetos de física. Han actualizado su caja de herramientas para este nuevo entorno abarrotado:

Leptones (electrones y muones): Estos son como los mensajeros "limpios" del choque. El equipo ha perfeccionado la forma de detectarlos, asegurándose de que no se confundan con la multitud. Utilizan un método de "tag-and-probe" (como cotejar una tarjeta de identidad conocida contra un sospechoso) para asegurar que sus mediciones sean precisas.
Fotones: Son destellos de luz. El equipo ha mejorado la forma en que mide estos destellos, asegurándose de que el "brillo" (energía) se calcule correctamente incluso cuando la sala es ruidosa.
Jets: Cuando los quarks (los diminutos bloques de construcción) salen disparados, no viajan solos; estallan en una lluvia de otras partículas, formando un "jet". En el pasado, el equipo tenía que restar el ruido manualmente. Ahora, utilizan una nueva herramienta llamada PUPPI.
- La analogía: Imagina intentar contar manzanas en una cesta que también tiene mucho confeti. Los métodos antiguos intentaban separar cada manzana e ignorar el confeti. PUPPI es como una báscula inteligente que sabe instantáneamente qué artículos son manzanas pesadas y cuáles son confeti ligero, ajustando el peso de las manzanas según cuánto confeti las esté tocando. Esto hace que la medición de las manzanas sea mucho más precisa.

3. La actualización del "cerebro de IA" (Aprendizaje automático)

La gran noticia de este documento es que el equipo ahora está utilizando IA basada en Transformers (el mismo tipo de tecnología detrás de los chatbots modernos) para identificar patrones complejos.

Etiquetado de sabor pesado (Heavy Flavor Tagging): A veces, un jet proviene de una partícula pesada (como un quark "bottom" o "charm"). Identificar estos es como encontrar un tipo específico de grano en un montón de arena. La IA antigua (DeepJet) era buena, pero los nuevos modelos de IA (ParticleNet y UParT) son como tener un equipo de detectives expertos que pueden observar toda la "nube" de partículas en un jet e identificar instantáneamente los pesados con mucha mayor precisión.
Objetos acelerados (Boosted Objects): A veces, las partículas se mueven tan rápido que se aplastan entre sí. La nueva IA puede detectar estos objetos "aplastados" (como un top quark acelerado) mucho mejor que antes, rechazando el ruido de fondo 10 veces más eficazmente.

4. La pista "invisible" (Momento faltante)

A veces, hay partículas que salen disparadas del detector que no podemos ver (como los neutrinos). Sabemos que están ahí porque el equilibrio total de la energía no cuadra.

El equipo ha actualizado la forma en que calcula este "dinero faltante" (momento faltante). Al utilizar el nuevo sistema PUPPI y una nueva herramienta de aprendizaje profundo llamada DeepMET, pueden calcular exactamente cuánta energía "invisible" falta, incluso en el entorno ruidoso y abarrotado.

5. La "simulación" (La práctica)

Antes de analizar datos reales, ejecutan millones de "colisiones de práctica" en ordenadores (modelado Monte Carlo).

El documento señala que sus simulaciones por ordenador de quarks top (partículas pesadas) han sido ajustadas para coincidir con la realidad mucho mejor que antes. Han ajustado las "reglas" de la simulación (como cómo rebotan las partículas entre sí) para que los datos virtuales se parezcan exactamente a los datos reales.

Conclusión

El equipo del CMS ha actualizado con éxito su software para gestionar un entorno mucho más ruidoso y abarrotado que nunca. Al cambiar a PUPPI para limpiar los datos y utilizar IA de Transformers para identificar partículas complejas, están obteniendo resultados más claros y precisos. Esto sienta las bases para que sigan realizando descubrimientos de clase mundial sobre los componentes fundamentales del universo en los próximos años.

Resumen Técnico: Objetos de Física en CMS Run 3

Planteamiento del Problema
El experimento CMS opera actualmente en el Run 3 del Gran Colisionador de Hadrones (LHC) a una energía de centro de masa de $\sqrt{s} = 13.6$ TeV. Una característica definitoria de este periodo de toma de datos es la alta luminosidad instantánea, lo que resulta en un promedio de aproximadamente 60 interacciones protón-protón por cruce de haces (pileup). Este entorno de alto pileup plantea desafíos significativos para la reconstrucción y calibración de los objetos de física (leptones cargados, fotones, jets y momento transversal faltante). El problema principal abordado es mantener la sensibilidad a procesos raros y mediciones de precisión bajo estas condiciones severas, mientras se gestionan las demandas computacionales de la reconstrucción. Además, existe la necesidad de mejorar la identificación de jets de sabor pesado y resonancias aumentadas (boosted), las cuales son críticas para la física del quark top y las búsquedas más allá del Modelo Estándar.

Metodología
El artículo describe una actualización integral en los algoritmos de reconstrucción y las estrategias de calibración para el Run 3:

Marco de Reconstrucción: El experimento continúa dependiendo del algoritmo de Flujo de Partículas (PF), que combina información del rastreador (tracker), el calorímetro y el sistema de muones. Un desarrollo novedoso es el algoritmo de Flujo de Partículas basado en Aprendizaje Automático (MLPF), el cual utiliza un modelo de transformador para inferir el contenido de partículas directamente a partir de trazas y cúmulos (clusters).
Leptones y Fotones:
- Muones: La reconstrucción vincula las trazas del rastreador de silicio con los segmentos del sistema de muones. La identificación emplea técnicas tanto basadas en cortes como multivariantes, con algoritmos específicos para $p_T$ baja y alta. Las correcciones de momento abordan la modelización errónea del campo magnético y los sesgos de alineación.
- Electrones/Fotones: Los electrones utilizan el Filtro de Suma Gaussiana (GSF) para el bremsstrahlung y supercúmulos tipo "mustache". Se aplica una regresión de energía basada en la forma de la cascada (shower shape) y la densidad de pileup. Se introduce un nuevo método de tag-and-probe utilizando ajustes de máxima verosimilitud no parametrizados (unbinned likelihood fits) y flujos normalizados para el mapeo de eficiencia.
Jets y Mitigación de Pileup: La colaboración ha adoptado plenamente el algoritmo de Identificación de Pileup por Partícula (PUPPI) como el predeterminado para la mitigación de pileup, reemplazando al anterior de Sustracción de Hadrones Cargados (CHS). PUPPI utiliza información de forma local para reescalar los cuatro-momentos de las partículas, minimizando las contribuciones de pileup. La calibración de jets involucra correcciones de desfase L1 (en gran medida innecesarias para jets PUPPI), correcciones de respuesta basadas en simulación, y correcciones residuales de datos/simulación derivadas de eventos de dijet y $\gamma/Z$ +jet.
Algoritmos de Etiquetado (Tagging): La identificación de sabor pesado y objetos aumentados (boosted) ha transitado de Redes Neuronales Recurrentes (ej. DeepJet) a arquitecturas basadas en transformadores:
- ParticleNet: Una red neuronal de grafos que trata a los constituyentes del jet como una "nube de partículas" desordenada.
- UParT (Unified Particle Transformer): Aprovecha características de interacción por pares con entrenamiento adversarial para la robustez, permitiendo el etiquetado de strange-jets y la discriminación quark/gluon.
- DeepTau: Un algoritmo actualizado para la identificación de leptones tau con probabilidades de identificación errónea de jets significativamente menores.
- Tops Aumentados (Boosted Tops): ParticleNet y ParT se aplican a jets AK8 de radio grande para la identificación del quark top.
Momento Transversal Faltante ( $p_T^{miss}$ ): El predeterminado ha cambiado a $p_T^{miss}$ basado en PUPPI debido a su menor dependencia del pileup. Un nuevo algoritmo DeepMET, basado en redes neuronales profundas, aprende pesos óptimos para los candidatos de PF para mejorar la resolución.
Modelado de Monte Carlo: Las simulaciones de señal y fondo utilizan el generador Powheg-hvq en interfaz con Pythia 8 (ajuste CP5). Las mejoras incluyen un mejor modelado de la radiación inicial/final, espectros de $p_T$ del top y modelos de Reconexión de Color (CR) ajustados a los datos de CMS.

Contribuciones Clave y Resultados

Rendimiento bajo Alto Pileup: La adopción de PUPPI ha hecho que la identificación de objetos aumentados sea más resiliente contra el pileup y ha suprimido fuertemente los jets de pileup dentro de la cobertura del rastreador. El desfase de energía de pileup para los jets PUPPI es cercano a cero, reduciendo la necesidad de las correcciones L1 tradicionales.
Eficiencia Computacional: El algoritmo MLPF logra una aceleración de un factor de 2 en infraestructura de computación heterogénea moderna (CPU+GPU) en comparación con el PF estándar, demostiendo un rendimiento de física comparable.
Mejoras en la Identificación:
- Sabor Pesado: Los nuevos etiquetadores basados en transformadores (ParticleNet, UParT) han sido comisionados con éxito.
- Leptones Tau: DeepTau v2.5 muestra una probabilidad de identificación errónea de jets entre un 30 y un 50% menor en comparación con la versión anterior v2.1.
- Tops Aumentados: Los nuevos etiquetadores proporcionan hasta 10 veces mejor rechazo de fondo que el etiquetador DeepAK8 (desdecorrelacionado de masa) utilizado en ejecuciones anteriores y muestran una resolución de masa del quark top mejorada.
- Energía de Jet: Las tareas de regresión de $p_T$ de jet auxiliares en las nuevas arquitecturas mejoran la resolución de la energía del jet hasta en un 20% tras las correcciones de Monte Carlo.
Métricas de Precisión:
- Luminosidad: La incertidumbre preliminar para los datos de 2023 es de $\pm 1.3\%$ , con un análisis refinado del Run 2 que arroja una luminosidad integrada total de $137.88 \pm 1.01 \text{ fb}^{-1}$ (incertidumbre del 0.73%).
- Momento de Muones: La calibración estándar logra una precisión de $\approx 0.05\%$ ; los análisis dedicados (ej. masa de W) alcanzan el $0.006\%$ .
- Energía de Jet: La incertidumbre total del Run 2 está al nivel del 1%; las calibraciones del Run 3 para los conjuntos de datos 2022–2024 muestran mejoras, particularmente en el endcap debido a una mejor calibración del calorímetro.

Significancia
El artículo afirma que los objetos de física utilizados para el análisis de CMS han sido comisionados y calibrados con éxito para el entorno de alto pileup del Run 3 del LHC. La adopción generalizada del algoritmo PUPPI y la integración del etiquetado basado en transformadores representan mejoras significativas de rendimiento a pesar de las condiciones de colisión más severas. Combinados con una determinación precisa de la luminosidad y un modelado de Monte Carlo refinado, estos avances posicionan a la colaboración CMS para continuar entregando resultados de precisión en la física del quark top en los próximos años. La transición hacia la reconstrucción e identificación impulsada por aprendizaje automático (MLPF, ParticleNet, UParT, DeepMET) marca una evolución crítica en el manejo de la complejidad de los datos del Run 3.