⚛️ high-energy experiments

Simultaneous efficiency measurements of $b$ - and $c$ -jets in $t\bar{t}$ events from $\sqrt{s}=13.6$ TeV $pp$ collision data collected with the ATLAS detector

Este artículo presenta mediciones simultáneas de las eficiencias de identificación de jets $b$ y de la identificación errónea de jets $c$ para el etiquetador GN2 utilizando 56 fb $^{-1}$ de datos de ATLAS $t\bar{t}$ a $\sqrt{s}=13.6$ TeV, logrando precisiones mejores al 2% y 5% respectivamente mediante el aprovechamiento de las fracciones de ramificación conocidas y la reconstrucción de verosimilitud cinemática.

Autores originales: ATLAS Collaboration

Publicado 2026-07-08

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: ATLAS Collaboration

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el Gran Colisionador de Hadrones (LHC) como el eslabón más potente del mundo para estrellar partículas. Cuando dispara protones unos contra otros, estos explotan en una lluvia de partículas más pequeñas, muchas de las cuales se agrupan para formar "jets" (chorros). Algunos de estos jets provienen de partículas pesadas y de vida corta llamadas quarks fondo (b-jets), mientras que otros provienen de quarks algo más ligeros, llamados quarks encanto (c-jets).

El experimento ATLAS en el CERN es como una cámara gigante y ultra sensible que intenta tomar una foto de estas explosiones. Pero aquí está el problema: el software de la cámara (el "etiquetador") no es perfecto. A veces, ve un jet de encanto y piensa erróneamente: "¡Ah, eso es un jet de fondo!". Esto se llama un "error de etiquetado" (mistag).

Este artículo es esencialmente un informe de control de calidad para el software de esa cámara. El equipo quería saber:

¿Qué tan bueno es el software para detectar correctamente un jet de fondo?
¿Con qué frecuencia acusa falsamente a un jet de encanto de ser un jet de fondo?

Utilizaron un tipo específico de colisión de partículas llamado evento de par de quarks top ( $t\bar{t}$ ) como su "laboratorio de pruebas". Piensa en un quark top como un padre muy inestable que casi siempre se divide en un quark fondo y un bosón W. El bosón W luego se divide de nuevo.

En algunos casos, el bosón W se divide en un leptón (como un electrón o un muon) y un neutrino. Este es el lado "limpio" del evento.
En otros casos, el bosón W se divide en dos quarks (un encanto y un extraño). Este es el lado "sucio".

La Analogía del Detective
Imagina que eres un detective tratando de identificar a un sospechoso (el jet de fondo) en una multitud.

El Lado "Limpio": Sabes con certeza que una persona en la multitud debe ser el sospechoso porque vino de una fuente específica y fiable (el quark top que decae leptónicamente). Verificas el software de la cámara contra este sospechoso conocido para ver qué tan bien identifica al sujeto. Esto mide la eficiencia (qué tan seguido acierta).
El Lado "Sucio": En el otro lado de la habitación, sabes que hay un grupo de personas que definitivamente no son el sospechoso, pero se parecen un poco. Específicamente, sabes que el bosón W produce un quark encanto aproximadamente el 33% de las veces. Utilizas este grupo conocido para ver qué tan seguido el software de la cámara se confunde y dice: "¡Ese es el sospechoso!" cuando en realidad es un quark encanto. Esto mide la tasa de error de etiquetado (mistagging rate).

Lo Que Hicieron
Los investigadores tomaron datos de 2022 y 2023, que representan 56 "fermiones inversos" de colisiones (una forma elegante de decir una cantidad masiva de datos). Utilizaron una nueva y avanzada herramienta de IA llamada GN2 (una red neuronal de "transformador único") para realizar el etiquetado.

No solo adivinaron; construyeron un modelo matemático para resolver simultáneamente dos cosas a la vez:

Qué tan seguido la IA detecta correctamente los verdaderos jets de fondo.
Qué tan seguido la IA detecta falsamente jets de encanto como si fueran de fondo.

Compararon sus datos del mundo real con simulaciones por computadora. Dado que las simulaciones por computadora no son perfectas, calcularon "Factores de Escala" (SFs). Piensa en ellos como coeficientes de corrección. Si la simulación por computadora dice que la IA tiene un 90% de precisión, pero los datos reales muestran que en realidad es del 95%, el factor de escala es 1.05. Los científicos aplican este factor a futuras simulaciones para que coincidan con la realidad.

Los Resultados

Precisión: Midieron la eficiencia de detección de jets de fondo con una precisión mejor que el 2% en la mayoría de los casos. Para la detección de jets de encanto (errores de etiquetado), la precisión fue mejor que el 5%.
Consistencia: Verificaron sus resultados contra un método diferente (usando eventos donde ambos quarks top decaen en leptones) y encontraron que los números coincidían perfectamente. Esto les otorga una alta confianza en que sus mediciones son correctas.
La Ventaja de "GN2": El artículo señala que este nuevo etiquetador de IA es mejor distinguiendo jets de encanto de jets de fondo que las herramientas anteriores, lo que hace que la medición de estos "errores de etiquetado" sea más difícil pero más valiosa.

En Resumen
Este artículo no descubre una nueva partícula o una nueva fuerza de la naturaleza. En su lugar, proporciona un manual de calibración para el software del experimento ATLAS. Al medir precisamente qué tan seguido el software confunde los jets de encanto con los de fondo, y qué tan seguido encuentra correctamente los jets de fondo, el equipo asegura que cada experimento futuro que utilice estos datos esté construido sobre una base sólida y precisa. Es la diferencia entre una foto borrosa y una imagen nítida de alta definición del mundo subatómico.

Resumen Técnico: Mediciones Simultáneas de la Eficiencia de Jets $b$ y $c$ en Eventos $t\bar{t}$ de Colisiones $pp $a$ \sqrt{s}=13.6$ TeV

Problema y Motivación
En los análisis realizados en el Gran Colisionador de Hadrones (LHC), la identificación de jets originados por quarks fondo ( $b$ ) o charm ( $c$ ) es crítica para estudios que van desde las desintegraciones del bosón de Higgs hasta la producción de pares de quarks top. Dado que las simulaciones de Monte Carlo (MC) son imperfectas, las estimaciones de eficiencia que proporcionan pueden ser erróneas. Por consiguiente, se requieren factores de escala (SF) basados en datos —la relación entre la eficiencia en datos y la de simulación— para corregir los pesos de la simulación. Mediciones anteriores de ATLAS de los SF de jets $b$ utilizaron eventos $t\bar{t}$ dileptónicos, mientras que los SF de mistagging de jets $c$ se midieron utilizando eventos $t\bar{t}$ semileptónicos. Sin embargo, estos se trataban a menudo como mediciones separadas. Este artículo aborda la necesidad de una medición simultánea de la eficiencia de etiquetado de jets $b$ y de mistagging de jets $c$ utilizando el más reciente tagger GN2, un grafo de red neuronal basado en un único transformador, para mejorar la precisión y la consistencia de la calibración del etiquetado de sabor para los datos del Run 3.

Metodología
El análisis utiliza 56 fb $^{-1}$ de datos de colisiones protón-protón recolectados por el detector ATLAS a una energía de centro de masa de $\sqrt{s}=13.6$ TeV durante 2022 y 2023. La selección de eventos se centra en eventos $t\bar{t}$ semileptónicos, caracterizados por exactamente un electrón o un muón aislado, momento transversal faltante y requisitos específicos de multiplicidad de jets (típicamente 3–4 jets, con concesiones para multiplicidades mayores bajo condiciones cinemáticas específicas).

Se emplea una técnica de verosimilitud cinemática para reconstruir la topología de desintegración $t\bar{t}$ , mapeando los jets reconstruidos a los productos de desintegración de los quarks top y los bosones $W$ sin depender de información de etiquetado $b$ preexistente. Esto permite la identificación de:

Top-jet leptónico: El jet $b$ del quark top que decae leptónicamente ( $t \to W b \to \ell \nu b$ ).
Top-jet hadrónico: El jet $b$ del quark top que decae hadrónicamente.
Jets $W$ : Los dos jets resultantes de la desintegración hadrónica del bosón $W$ ( $W \to q\bar{q}'$ ), que contienen predominantemente quarks $c$ (fracción de ramificación $\approx 33\%$ ) y quarks de sabor ligero.

El análisis emplea un ajuste simultáneo para determinar los SF para jets $b$ ( $b_t(i)$ ) y jets $c$ ( $c_t(i)$ ) como función del momento transversal del jet ( $p_T$ ) a través de seis intervalos de etiquetado GN2 (que van desde 0–65% hasta 90–100% de eficiencia en simulación).

SF de jets $b$ : Restringidos comparando la fracción de top-jets leptónicos que caen en cada intervalo GN2 frente a las expectativas de MC. Los fondos de jets de sabor ligero en este canal se normalizan utilizando la masa invariante del leptón y el top-jet leptónico ( $m_{j\ell}$ ).
SF de jets $c$ : Restringidos mediante el análisis del discriminante GN2 de los jets $W$ etiquetados en eventos donde el otro jet $W$ no está etiquetado y ambos top-jets están fuertemente etiquetados. La conocida fracción de ramificación $W \to c\bar{s}$ permite la extracción de las tasas de mistagging de jets $c$ .
Ajuste Combinado: Un minimizador $\chi^2$ total combina las mediciones semileptónicas con una medición independiente de SF de jets $b$ de eventos $t\bar{t}$ dileptónicos (usando un conocimiento previo) para restringir aún más las eficiencias de los jets $b$ .

Las incertidumbres sistemáticas se evalúan variando los parámetros de modelado de MC (lluvia de partones, hadronización, ISR/FSR), la resolución/escala de energía de los jets y las normalizaciones de fondo. Las mayores incertidumbres provienen del modelado de $t\bar{t}$ (específicamente la elección del modelo de lluvia de partones/hadronización) y la reconstrucción de jets.

Resultados Clave

Eficiencia de Etiquetado de Jets $b$ : Los SF medidos no muestran una fuerte dependencia del $p_T$ del jet en el rango de 20–250 GeV. Para el intervalo de etiquetado más estricto (0–65%), la incertidumbre total alcanza valores mejores al 2% para jets con $p_T > 60$ GeV. Los resultados son consistentes con mediciones independientes de eventos $t\bar{t}$ dileptónicos.
Eficiencia de Mistagging de Jets $c$ : Varias mediciones en los cuatro intervalos de etiquetado más laxos logran una precisión mejor al 5%. Los SF generalmente no exhiben una fuerte dependencia de $p_T$ , aunque el intervalo más estricto (0–65%) muestra una eficiencia mayor en datos que en la simulación de MC.
Determinación Simultánea: El ajuste extrae con éxito tanto los SF de jets $b$ como los de jets $c$ de forma simultánea, siendo la correlación estadística entre ambos pequeña en comparación con las correlaciones sistemáticas. Los factores de normalización para los fondos de sabor ligero y los rendimientos de señal resultan consistentes con las expectativas.

Significancia y Reivindicaciones
El artículo afirma ser el primero en reportar mediciones simultáneas de los SF de etiquetado de jets $b$ y de mistagging de jets $c$ utilizando eventos $t\bar{t}$ semileptónicos. Este enfoque aprovecha la topología de desintegración específica de los eventos $t\bar{t}$ para restringir ambas eficiencias dentro de un único marco, utilizando el tagger GN2 que ofrece un rendimiento mejorado sobre algoritmos previos. Los resultados proporcionan entradas de calibración esenciales para los análisis de ATLAS que requieren un etiquetado de sabor preciso, particularmente aquellos que involucran la identificación de quarks $b$ y $c$ en la era de alta luminosidad del Run 3. El artículo señala modestamente que, si bien las mediciones son precisas, las incertidumbres están dominadas por efectos sistemáticos relacionados con el modelado de MC, particularmente los modelos de lluvia de partones y de hadronización.

Más como este