Selection and processing of calibration samples to measure the particle identification performance of the LHCb experiment in Run 2

Cet article décrit la stratégie de sélection et de traitement des échantillons d'étalonnage mis en œuvre par l'expérience LHCb durant sa Run 2, grâce à un modèle de calcul dédié et une reconstruction en ligne, afin de mesurer les performances d'identification des particules et d'assurer le contrôle de qualité des données.

L'essentiel

🏭 L'Usine à Particules : Le Laboratoire CERN et l'Expérience LHCb

Imaginez le CERN comme une gigantesque usine à particules. On y fait entrer des protons à une vitesse proche de celle de la lumière, on les fait entrer en collision, et on observe les débris qui en résultent. L'expérience LHCb est une machine photographique ultra-sophistiquée placée à un endroit précis de cette usine. Son but ? Prendre des photos des particules les plus rares et les plus mystérieuses (comme les quarks "beauté" et "charme") pour essayer de comprendre pourquoi l'univers existe tel qu'il est.

Mais pour prendre ces photos, il faut pouvoir dire exactement qui est sur la photo : est-ce un électron ? Un proton ? Un pion ? C'est ce qu'on appelle l'Identification des Particules (PID).

🕵️‍♂️ Le Problème : Comment savoir si l'œil du détecteur ne se trompe pas ?

Le problème, c'est que les détecteurs ne sont pas parfaits. Parfois, un pion peut ressembler à un électron, ou un proton à un kaon. Si on se trompe d'identité, toute la science derrière la photo est fausse.

Pour s'assurer que l'œil du détecteur est fiable, les physiciens ont besoin de calibrer leur appareil. C'est comme un photographe qui prendrait des photos de visages connus (des "modèles de référence") pour vérifier que son appareil ne déforme pas les traits.

Dans ce document, les auteurs expliquent comment ils ont créé et géré ces échantillons de calibration (les "modèles de référence") pour la période 2015-2018 (le "Run 2" du LHC).

🚀 La Nouvelle Stratégie : Le "Turbo" et le "Double Jeu"

Avant 2015, le processus était lent et un peu rigide. Pour le "Run 2", ils ont inventé une nouvelle méthode, un peu comme si on passait d'une vieille voiture de tourisme à une Formule 1.

Voici les trois piliers de cette nouvelle méthode, expliqués avec des analogies :

1. Le Filtre Intelligent (Le Trigger)

Imaginez que votre usine produit 1 milliard de colis par seconde. Vous ne pouvez pas tout ouvrir et tout stocker. Vous avez besoin d'un trieur ultra-rapide.

• L'ancien système : Le trieur jetait beaucoup de colis intéressants par erreur ou était trop lent.
• Le nouveau système : Le trieur (appelé Trigger) est devenu un expert en temps réel. Il sélectionne immédiatement les colis "calibration" (les particules qu'on connaît bien, comme les paires de muons ou les désintégrations de particules spécifiques) avant même qu'elles ne soient entièrement analysées. C'est comme si un douanier expert repérait un passager VIP dès qu'il descend de l'avion, sans attendre qu'il ait rempli tous ses formulaires.

2. La Double Reconstruction (Le "TurboCalib")

C'est l'innovation la plus brillante du document.

• Scénario A (En ligne) : Le trieur fait une première analyse rapide des données pour décider de garder le colis.
• Scénario B (Hors ligne) : Plus tard, des experts (les ordinateurs du "hors ligne") reprennent les mêmes données brutes pour faire une analyse ultra-précise, avec des outils plus fins.

L'analogie : Imaginez un juge qui doit rendre un verdict.

1. Il prend une décision rapide en regardant les faits bruts (le "Online").
2. Il prend une décision détaillée après avoir lu tout le dossier (le "Offline").
3. Le génie de LHCb : Ils gardent les deux versions du verdict pour le même événement. Ils peuvent ainsi comparer : "Est-ce que mon verdict rapide était aussi bon que mon verdict détaillé ?". Cela permet de mesurer la performance du détecteur avec une précision incroyable, même pour les analyses futures qui n'auront que la version rapide.

3. Le Nettoyage Statistique (Le "sPlot")

Même avec un trieur parfait, il y a toujours un peu de "bruit" (des particules qui ressemblent à ce qu'on cherche mais qui ne le sont pas).

• L'analogie : Imaginez que vous cherchez des perles dans un tas de sable. Vous avez un aimant qui attire les perles, mais il attire aussi un peu de poussière métallique.
• La solution : Au lieu de trier manuellement chaque grain (ce qui prendrait des siècles), les physiciens utilisent une technique mathématique appelée sPlot. C'est comme une balance magique qui calcule, pour chaque grain, la probabilité qu'il soit une vraie perle ou de la poussière. Ils peuvent ainsi "soustraire" mathématiquement la poussière et ne garder que la pureté des perles, sans avoir à les jeter physiquement.

📊 À quoi ça sert tout ça ?

Ces échantillons de calibration servent à trois choses principales :

1. La Vérification (Le Miroir) : Ils permettent de dire : "Notre détecteur identifie les protons avec une précision de 99,9%". Sans ça, on ne pourrait pas faire confiance aux résultats scientifiques.
2. La Correction (Le Correcteur Orthographique) : Les simulations informatiques (les "mondes virtuels" que les physiciens créent pour prédire ce qui devrait se passer) ne sont jamais parfaites. Grâce aux échantillons de calibration, on peut "corriger" les simulations pour qu'elles collent parfaitement à la réalité, comme un correcteur orthographique qui ajuste un texte.
3. La Surveillance (Le Détecteur de Fuite) : Comme ces échantillons sont produits en temps réel, ils servent de système d'alarme. Si un détecteur commence à mal fonctionner (à cause de la chaleur, d'un vieux câble, etc.), les physiciens le voient tout de suite et peuvent réparer avant que les données ne soient gâchées.

🎯 En Résumé

Ce document décrit comment l'équipe LHCb a modernisé sa façon de vérifier ses instruments. Au lieu de faire des contrôles de qualité lents et séparés, ils ont intégré un système de contrôle en temps réel, capable de comparer deux versions d'une même analyse (rapide et lente) et de nettoyer les données mathématiquement.

C'est comme passer d'un atelier de réparation artisanal à une chaîne de montage robotisée de haute précision, capable de vérifier la qualité de chaque pièce au moment même où elle sort de l'usine, garantissant que les découvertes scientifiques futures seront solides et fiables.

Résumé technique

1. Problématique et Contexte

Depuis le redémarrage du LHC pour sa deuxième prise de données (Run 2, 2015-2018), l'expérience LHCb a adopté un modèle de calcul innovant reposant sur une reconstruction en temps réel (en ligne) pour la majorité des jeux de données. L'identification des particules (PID : Particle Identification) est cruciale pour les objectifs physiques de LHCb, notamment pour distinguer les électrons, muons, pions, kaons et protons avec une précision extrême (de l'ordre du pour-mille pour certaines mesures de rareté).

Le défi principal réside dans la nécessité de mesurer avec précision les performances des algorithmes et détecteurs de PID, ainsi que les effets systématiques, sans introduire de biais de sélection. Les simulations seules sont insuffisantes pour modéliser parfaitement les réponses des détecteurs. De plus, la nouvelle architecture de déclenchement (trigger) et les besoins croissants en statistiques pour le Run 2 imposent une stratégie de calibration capable de gérer de grands volumes de données tout en combinant les reconstructions en ligne et hors ligne.

2. Méthodologie

La stratégie développée repose sur plusieurs piliers techniques :

• Sélection d'échantillons de calibration :

  • Des échantillons purs de particules (protons, kaons, pions, muons, électrons) sont sélectionnés via des modes de désintégration spécifiques (ex: $J/\psi \to \mu^+\mu^-$, $\Lambda^0 \to p\pi^-$, $D^{*+} \to D^0\pi^+$ avec $D^0 \to K^-\pi^+$).
  • La sélection utilise le modèle « tag-and-probe » : une particule est parfaitement identifiée (« tag ») par des contraintes cinématiques ou de masse, tandis que l'autre (« probe ») est sélectionnée sans aucune exigence de PID, garantissant ainsi un échantillon non biaisé.
  • Des techniques de soustraction de fond statistique (sPlot) sont appliquées pour isoler le signal pur.

• Modèle de calcul hybride (TurboCalib) :

  • Un format de données dédié, TurboCalib, a été créé. Il conserve à la fois les candidats de désintégration reconstruits en ligne (via le trigger logiciel) et les données brutes du détecteur.
  • Chaque événement subit une double reconstruction : une version en ligne (utilisée pour le déclenchement) et une version hors ligne complète (utilisant les données brutes).
  • Les trajectoires reconstruites dans les deux versions sont appariées (matching) pour permettre la comparaison directe des variables de PID.

• Mesure des performances et correction :

  • L'efficacité du PID est mesurée en pondérant les échantillons de calibration pour qu'ils correspondent aux distributions cinématiques (impulsion $p$, pseudo-rapidité $\eta$, multiplicité d'événements) des échantillons de référence (données réelles ou simulation).
  • Deux méthodes avancées sont proposées pour corriger les simulations :
    1. Rééchantillonnage (Resampling) : Remplacement complet des variables de PID simulées par des valeurs générées à partir des distributions de calibration.
    2. Transformation de variables : Transformation des variables de PID simulées pour qu'elles suivent la distribution des données tout en préservant les corrélations avec les autres variables de la simulation.

• Traitement distribué :

  • Pour gérer la taille massive des échantillons, la soustraction de fond (sPlot) est implémentée de manière distribuée sur la grille de calcul de LHCb, évitant le stockage de jeux de données complets sur un seul nœud.

3. Contributions Clés

• Développement du modèle TurboCalib : Une architecture permettant de stocker les données brutes et les candidats de trigger simultanément, facilitant la validation croisée entre les reconstructions en ligne et hors ligne.
• Algorithmes de calibration avancés : Introduction de la transformation de variables de PID et de la méthode de rééchantillonnage pour corriger les simulations avec une précision supérieure, en tenant compte des corrélations cinématiques.
• Outils logiciels standardisés : Création du package PIDCalib (interface Python) qui standardise l'application des techniques de calibration (poids, rééchantillonnage, transformation) pour toutes les analyses physiques.
• Stratégie de sélection sans biais : Mise en œuvre de sélections basées sur des contraintes cinématiques pures (sans PID) pour garantir l'indépendance des échantillons de calibration par rapport aux variables de performance mesurées.

4. Résultats

• Couverture cinématique étendue : Les échantillons de calibration couvrent une large gamme d'impulsions et de pseudo-rapidités, grâce à l'utilisation de multiples modes de désintégration (ex: $B^+ \to J/\psi K^+$ pour les électrons à haute impulsion, $K_S^0 \to \pi^+\pi^-$ pour les pions à basse impulsion).
• Validation de la cohérence en ligne/hors ligne : Le système permet de vérifier que les variables de PID calculées en temps réel (pour le trigger) sont cohérentes avec celles obtenues par reconstruction hors ligne complète, essentiel pour les analyses utilisant le flux de données « Turbo ».
• Réduction des incertitudes systématiques : La capacité à mesurer les efficacités de sélection sur des centaines de canaux de désintégration différents à partir d'un petit nombre d'échantillons de calibration permet de réduire les incertitudes systématiques liées à l'identification des particules.
• Surveillance de la qualité des données (DQM) : Les échantillons sont utilisés en temps réel pour surveiller l'état des détecteurs (alignement, température, pression) et détecter rapidement toute dérive de performance.

5. Signification et Perspectives

Ce travail marque une évolution majeure dans la méthodologie de l'expérience LHCb :

• Transition vers le Run 3 : La stratégie mise en place pour le Run 2 prépare l'expérience pour le Run 3, où la quasi-totalité des données sera stockée sous forme de candidats reconstruits (sans données brutes). La robustesse des échantillons de calibration et la capacité à valider les algorithmes en ligne sont donc critiques.
• Efficacité et Scalabilité : Le modèle de calcul distribué et l'utilisation de formats de données optimisés (Turbo) permettent de surmonter les défis de scalabilité liés à l'augmentation massive du volume de données.
• Précision Physique : En fournissant des mesures de performance de PID ultra-précises et des outils de correction de simulation, ce travail améliore directement la sensibilité des recherches de nouvelle physique (violation de CP, désintégrations rares) menées par LHCb.

En résumé, ce document décrit une infrastructure logicielle et une stratégie de données complète qui permettent à LHCb de maintenir et d'améliorer sa précision d'identification des particules dans un environnement de données à haut débit, assurant la fiabilité des résultats physiques futurs.