Antineutron reconstruction in electromagnetic calorimeters with mixed-representation learning

Resumen Técnico: Reconstrucción de Antineutrones en Calorímetros Electromagnéticos mediante Aprendizaje de Representación Mixta

Planteamiento del Problema
La reconstrucción de hadrones neutros de larga vida (como antineutrones, neutrones y mesones $K^0_L$) en experimentos de aceleradores de escala GeV sigue siendo un cuello de botella significativo. Estas partículas no producen trayectorias de ionización en los sistemas de seguimiento, lo que obliga a depender de los subsistemas de los calorímetros. Sin embargo, los calorímetros electromagnéticos (ECAL) convencionales están optimizados para cascadas electromagnéticas (bremsstrahlung y producción de pares) en lugar de las complejas interacciones hadrónicas (dispersión nuclear, espalación y aniquilación) características de los hadrones neutros. En consecuencia, las interacciones de los antineutrones en los ECAL producen firmas de deposición de energía dispersas, fragmentadas y no locales que los algoritmos de agrupamiento estándar no logran reconstruir de manera robusta. Esta limitación degrada la resolución de la masa invariante, dificulta la supresión de fondo y restringe el alcance físico de los experimentos que estudian desintegraciones de hiperones, espectroscopia de bariones y búsquedas de hadrones exóticos. Además, los enfoques de aprendizaje automático (ML) existentes para la reconstrucción de calorímetros se han centrado principalmente en el régimen operativo nativo del detector o han dependido de datos de simulación que pueden no reflejar con precisión las discrepancias del mundo real, particularmente para hadrones neutros en la región sub-GeV.

Metodología: Red Calorimétrica de Representación Mixta (MrCAL)
Para abordar estos desafíos, los autores proponen un enfoque de aprendizaje de representación mixta inspirado en la física, implementado mediante la Red Calorimétrica de Representación Mixta (MrCAL). La idea central es que las respuestas de los antineutrones en los ECAL exhiben dos regularidades distintas y complementarias:

1. A nivel de evento individual: Las respuestas son dispersas, estocásticas y espacialmente no locales, con depósitos de energía esparcidos en regiones desconectadas.
2. A nivel de población: Cuando se promedian sobre muchos eventos, emerge un prior espacial reproducible, caracterizado por una concentración central alrededor del punto incidente y un perfil de atenuación radial de tipo difusión.

MrCAL integra estos patrones dentro de un marco unificado de detección de objetos utilizando dos ramas complementarias:

• Rama de Representación Visual: Esta rama mapea las lecturas de las celdas del calorímetro en una imagen 2D para capturar el prior espacial promedio y estadísticamente estable. Emplea un operador de difusión inspirado en la física (basado en una ecuación de conducción de calor 2D) para codificar el patrón de centralidad y difusión, transformando activaciones locales dispersas en características de morfología de cascada amplias. La rama utiliza una arquitectura basada en RetinaNet con una Red de Pirámide de Características (FPN) para realizar la detección de objetos. Para manejar el hecho de que el objetivo es un punto incidente en lugar de una extensión física de un objeto, el método utiliza cajas delimitadoras pseudo-centradas en las posiciones incidentes etiquetadas para la supervisión.
• Rama de Representación Secuencial: Esta rama captura las fluctuaciones evento por evento codificando las celdas activas del calorímetro como una secuencia de tokens. Utiliza una arquitectura basada en Transformer para modelar dependencias de largo alcance y correlaciones no locales entre los depósitos dispersos, lo cual es más eficiente en términos de información para eventos dispersos. Cada token representa la energía y las coordenadas angulares de un impacto (hit). La rama emplea una estrategia de preentrenamiento de "cloze de posición", donde el modelo predice las coordenadas angulares enmascaradas a partir de promesas de energía y el contexto circundante, permitiéndole aprender patrones espaciales sin depender únicamente de las etiquetas incidentes.
• Mecanismo de Fusión: Las dos ramas operan en paralelo, procesando los mismos datos del ECAL a través de diferentes representaciones. Durante la inferencia, las detecciones candidatas de ambas ramas se generan de forma independiente y luego se reconcilian basándose en la consistencia de clase, el acuerdo angular y los puntajes de confianza. El resultado final es un conjunto unificado de predicciones para la identidad de la partícula, la dirección incidente y la magnitud del momento.

Contribuciones Clave y Resultados
Los autores evaluaron MrCAL utilizando un gran corpus de datos de colisiones reales del experimento BESIII, que comprende más de 5 millones de eventos a través de 36 canales de desintegración (incluyendo $J/\psi$, $\psi(2S)$ y datos de aniquilación $e^+e^-$). El estudio utilizó una muestra de equilibrio de momento para el entrenamiento y las pruebas, con canales específicos excluidos para las pruebas de generalización.

• Precisión Direccional: MrCAL mejora significamente la reconstrucción de la dirección del momento del antineutrón. En comparación con una línea base de agrupamiento convencional, el sesgo angular medio (mAB) se redujo de $23.2^\circ$ a $11.8^\circ$ a eficiencia completa en configuraciones de una sola partícula. Esto representa una mejora del 96% en la precisión direccional.
• Magnitud del Momento: Por primera vez, el artículo demuestra la capacidad de medir directamente la magnitud del momento únicamente a partir de las lecturas del ECAL para antineutrones. A 1 GeV/c, el modelo logra una resolución de momento de aproximadamente 17% (específicamente 17.6% para MrCAL), superando las resoluciones típicas de los calorímetros hadrónicos dedicados en el régimen sub-GeV.
• Robustez y Generalización: El modelo mantiene un rendimiento estable a través de diversos entornos cinemáticos y entornos complejos de múltiples partículas (por ejemplo, antineutrones acompañados de fotones). En las pruebas de generalización que involucraron 13 canales completamente excluidos del entrenamiento, las mejoras en la precisión direccional persistieron, con ganancias promedio de 59.8% en configuraciones de una sola partícula y 31.0% en configuraciones de múltiples partículas.
• Impacto en la Física: Los cuatro-momentos reconstruidos de los antineutrones se utilizaron con éxito para reconstruir partículas madre de vida corta (por ejemplo, $\Lambda$, $\Sigma^\pm$, $J/\psi$), obteniendo picos de masa invariante claros con posiciones centrales sin sesgo. La resolución de masa invariante promedio mejoró a 3.3% en configuraciones de una sola partícula.

Significancia y Reivindicaciones
El artículo afirma que MrCAL desbloquea una capacidad de medición novedosa para los sistemas de ECAL heredados (legacy), expandiendo efectivamente su alcance científico sin requerir actualizaciones de hardware. Al reformular la reconstrucción de hadrones neutros como un problema inverso soluble mediante el aprendizaje de representación mixta, el enfoque mitiga una limitación estructural que ha persistido en muchos experimentos de física de partículas.

Los autores enfatizan que su método es puramente algorítmico y puede desplegarse en datos existentes. Esto es particularmente significativo para experimentos como BESIII, donde una mejor reconstrucción de antineutrones beneficia directamente los análisis de violación de CP, violación de números cuánticos y espectroscopia de bariones. El trabajo sugiere un cambio de paradigma más amplio donde el diseño del detector y la capacidad de representación de ML se optimizan conjuntamente, yendo más allá de la separación rígida entre la calorimetría electromagnética y la hadrónica para aprovechar los datos brutos de alta granularidad para la inferencia impulsada por ML. Los hallazgos indican que los límites de rendimiento actuales están probablemente dictados por el diseño del detector y las fluctuaciones intrínsecas de las cascadas hadrónicas, más que por deficiencias algorítmicas.