Deep learning approaches to top FCNC couplings to photons at the LHC

Cette étude démontre que l'utilisation de réseaux de neurones basés sur l'attention, en particulier les transformateurs, permet d'améliorer considérablement la sensibilité du LHC aux couplages FCNC du quark top avec le photon, permettant d'atteindre des limites d'exclusion jusqu'à cinq fois plus strictes et de sonder des rapports d'embranchement aussi bas que $10^{-6}$ au HL-LHC.

L'essentiel

🕵️‍♂️ La Chasse aux "Fantômes" du Top Quark

Imaginez que l'Univers est une immense usine de particules, le Grand Collisionneur de Hadrons (LHC), où l'on fait entrer en collision des protons à des vitesses folles pour recréer les conditions du Big Bang. Parmi toutes les particules qui en sortent, il y a une star : le quark top. C'est le plus lourd de tous, un peu comme un éléphant dans un magasin de porcelaine.

Normalement, ce quark top se comporte très bien : il se désintègre presque toujours de la même façon, en un produit standard. Mais les physiciens soupçonnent qu'il pourrait parfois faire des choses étranges et interdites par les règles habituelles (le "Modèle Standard"). C'est ce qu'on appelle une interaction "FCNC" (courant neutre à changement de saveur).

Pour faire simple : imaginez que le quark top, au lieu de se transformer en ses voisins habituels, décide soudainement de se transformer en un photon (une particule de lumière) et un autre quark léger. C'est comme si un éléphant décidait de se transformer en un papillon lumineux. C'est extrêmement rare, presque impossible selon les règles actuelles. Si on le voit, c'est la preuve qu'il existe une nouvelle physique cachée quelque part !

🧠 Le Problème : Trouver une aiguille dans une botte de foin

Le problème, c'est que cette transformation est si rare que le bruit de fond est énorme. Imaginez que vous cherchez une aiguille spécifique dans une botte de foin, mais que cette botte de foin contient des milliards d'autres objets qui ressemblent un peu à une aiguille.

Les physiciens ont deux façons de chercher :

1. La méthode "Ciseaux" (Cut-based) : C'est la méthode traditionnelle. On prend des ciseaux et on coupe tout ce qui ne correspond pas exactement à ce qu'on cherche. On enlève les objets trop lourds, pas assez brillants, etc. C'est efficace, mais on risque de jeter par erreur l'aiguille qu'on cherche parce qu'elle a un petit défaut, ou de garder un faux positif.
2. La méthode "Intelligence Artificielle" (Deep Learning) : Au lieu de couper, on donne des lunettes à un super-ordinateur pour qu'il apprenne à reconnaître l'aiguille par son "style" global, même si elle est cachée dans le foin.

🤖 Les Trois Super-Héros de l'IA

Dans ce papier, les auteurs testent trois types d'intelligences artificielles pour voir laquelle est la meilleure détective :

1. Le Perceptron (MLP) : C'est le "vieux sage". Il regarde les données comme une liste de chiffres (la vitesse, l'angle, l'énergie) et essaie de trouver des liens mathématiques. C'est bien, mais un peu rigide. Il ne voit pas bien la relation entre les objets.
2. Le Réseau d'Attention Graphique (GAT) : C'est le "chef d'orchestre". Il imagine l'événement comme un groupe de personnes (les particules) qui se tiennent par la main. Il analyse qui parle à qui et qui est important dans le groupe. Il comprend la structure sociale de la collision.
3. Le Transformer : C'est le "génie absolu". C'est la même technologie qui fait fonctionner les traducteurs automatiques ou les chatbots. Il ne regarde pas seulement les liens, il comprend le contexte global. Il sait que telle particule est importante parce que telle autre est là. Il peut pondérer l'importance de chaque détail dynamiquement, comme un chef cuisinier qui ajuste les épices en fonction du goût global du plat.

🏆 Le Résultat : Le Transformer gagne le championnat

Les chercheurs ont simulé des milliards de collisions sur ordinateur pour entraîner ces trois détectives.

• Le Perceptron a fait du bon travail, mais il a laissé passer beaucoup de faux indices.
• Le GAT a été beaucoup plus précis, car il a bien compris la structure des particules.
• Le Transformer a été incroyable. Il a surpassé les autres de manière spectaculaire.

L'analogie finale :
Si la méthode traditionnelle (ciseaux) vous permet de trouver 1 bonne aiguille sur 10, et le Perceptron 2 sur 10, le Transformer, lui, en trouve 5 sur 10. C'est un gain de performance colossal !

🔮 Pourquoi c'est important pour le futur ?

Grâce à cette nouvelle méthode (le Transformer), les physiciens peuvent espérer voir des phénomènes 5 fois plus rares qu'avant.

• Aujourd'hui : On peut chercher des transformations qui arrivent 1 fois sur un million.
• Demain (avec le HL-LHC) : Grâce à cette IA, on pourra peut-être en voir 1 fois sur un million de millions (10⁻⁶).

C'est comme passer d'une paire de jumelles à un télescope spatial. Cela ouvre la porte à la découverte de nouvelles lois de la physique, peut-être liées à la matière noire ou à des dimensions cachées.

En résumé : Ce papier nous dit que pour trouver les secrets les plus cachés de l'Univers, il ne suffit plus de faire des maths simples. Il faut donner aux physiciens les meilleurs "cerveaux" artificiels (les Transformers) pour qu'ils puissent voir l'invisible au milieu du chaos.

Résumé technique

Titre

Approches d'apprentissage profond pour les couplages FCNC du quark top aux photons au LHC

1. Problématique et Contexte

Les courants neutres changeant de saveur (FCNC) impliquant le quark top sont fortement supprimés dans le Modèle Standard (MS) par le mécanisme de GIM, avec des fractions de branchement inférieures à $10^{-12}$. Cependant, de nombreuses extensions du MS (théories supersymétriques, modèles à deux doublets de Higgs, dimensions supplémentaires, etc.) peuvent augmenter ces taux jusqu'à $10^{-7}$ ou $10^{-4}$, rendant leur détection possible au Grand Collisionneur de Hadrons (LHC).

L'objectif de cette étude est d'évaluer la sensibilité du LHC (Run 3 et haute luminosité HL-LHC) à ces interactions rares, spécifiquement pour les processus impliquant un photon :

1. Production de top unique : $qg \to t\gamma$.
2. Désintégration rare dans les paires de tops : $t\bar{t} \to (t \to q\gamma) + (t \to bW)$.

Le défi principal réside dans la séparation du signal du bruit de fond du Modèle Standard (production de $t\bar{t}\gamma$, $t\gamma$, $W\gamma$, etc.), qui possède des signatures cinématiques très similaires. Les méthodes d'analyse traditionnelles basées sur des coupes (cut-based) sont limitées par leur incapacité à exploiter les corrélations complexes et non linéaires entre les observables.

2. Méthodologie

Cadre Théorique

L'analyse utilise le cadre de la Théorie Effective de Champ (SMEFT) pour paramétrer les effets de nouvelle physique de manière indépendante du modèle. Les interactions sont décrites par des opérateurs de dimension six induisant des couplages dipolaires anormaux entre le top, un quark léger ($u$ ou $c$) et un photon. Les couplages effectifs sont notés $f^\gamma_{tq}$ et $h^\gamma_{tq}$.

Simulation et Données

• Génération d'événements : Les signaux et les bruits de fond sont générés au niveau de l'ordre dominant (LO) en QCD à l'aide de MadGraph5_aMC@NLO.
• Processus simulés :
  • Signaux : $pp \to t\gamma$ et $pp \to t\bar{t}$ avec désintégration FCNC.
  • Bruits de fond : $t\bar{t}\gamma$, $t\gamma$ (production unique), $W\gamma$, $Z\gamma$ et bruits de faux photons/leptons.
• Simulation du détecteur : L'effet du détecteur est simulé via le module de simulation rapide SFS intégré à MadAnalysis 5, incluant la reconstruction des jets (anti-$k_T$, $R=0.4$), des leptons et des photons, ainsi que l'étiquetage $b$ ($b$-tagging).

Stratégies d'Analyse Comparées

L'étude compare trois approches distinctes :

1. Analyse basée sur des coupes (Cut-based) : Une sélection séquentielle d'observables cinématiques (impulsion transverse du photon, énergie manquante, masses invariantes, etc.) pour isoler le signal.
2. Réseaux de Neurones à Perceptron Multicouche (MLP) : Un réseau entièrement connecté traitant les événements comme des vecteurs de caractéristiques fixes (29 entrées incluant les quadri-impulsions, angles, masses effectives, etc.).
3. Réseaux d'Attention Graphique (GAT) : Une approche où chaque événement est représenté comme un graphe. Les nœuds sont les objets finaux (jets, photon, lepton, énergie manquante) et les arêtes capturent les relations géométriques et cinématiques. Le mécanisme d'attention pondère dynamiquement l'importance des voisins.
4. Transformers : Une architecture traitant l'événement comme un ensemble non ordonné de "tokens" (particules). Le mécanisme d'auto-attention (self-attention) permet au modèle de capturer les dépendances à longue portée et les corrélations globales entre toutes les particules de l'événement.

Entraînement

Les modèles sont entraînés pour une classification binaire (Signal vs Bruit de fond) en utilisant la fonction de perte Binary Cross-Entropy et l'optimiseur AdamW. Une validation croisée ($k=3$) et une recherche aléatoire d'hyperparamètres sont utilisées pour optimiser les performances.

3. Contributions Clés et Résultats

Performance de Classification

Les résultats montrent une hiérarchie claire dans la capacité de discrimination :

• MLP : Performances correctes mais limitées (AUC $\approx 0.928$ pour le canal top unique, $\approx 0.78$ pour les paires). Il traite les caractéristiques de manière indépendante, manquant les structures topologiques complexes.
• GAT : Amélioration significative (AUC $\approx 0.973$ pour le top unique, $\approx 0.92$ pour les paires). La représentation en graphe permet de mieux modéliser la topologie de l'événement.
• Transformers : Meilleures performances globales (AUC $\approx 0.985$ pour le top unique, $\approx 0.935$ pour les paires). La capacité à pondérer dynamiquement l'importance de chaque particule par rapport à l'ensemble de l'événement permet une séparation signal/bruit supérieure.

Limites d'Exclusion et Sensibilité

L'étude quantifie l'amélioration de la sensibilité aux couplages anormaux ($f^\gamma_{tq}/\Lambda$) et aux fractions de branchement ($BR$) en fonction de la luminosité intégrée :

• Gain par rapport aux méthodes traditionnelles : Les architectures basées sur l'attention (GAT et Transformers) surpassent les MLP d'un facteur de 1,3 à 1,7 sur les limites d'exclusion des couplages, et jusqu'à un facteur 5 sur les limites d'exclusion globales par rapport aux analyses basées sur des coupes.
• Résultats à 139 fb$^{-1}$ (Run 2) :
  • Les Transformers excluent $f^\gamma_{tu}/\Lambda$ jusqu'à $\approx 7,3 \times 10^{-3}$ TeV$^{-1}$ et $f^\gamma_{tc}/\Lambda$ jusqu'à $\approx 8,7 \times 10^{-3}$ TeV$^{-1}$.
  • Les limites sur les fractions de branchement atteignent $\sim 10^{-5}$ pour $t \to u\gamma$ et $\sim 2,4 \times 10^{-5}$ pour $t \to c\gamma$.
• Perspectives HL-LHC (3000 fb$^{-1}$) :
  • Les modèles basés sur l'attention permettent de sonder des couplages aussi faibles que $2 \times 10^{-3}$ TeV$^{-1}$.
  • Les fractions de branchement peuvent être exclues jusqu'à des valeurs de l'ordre de $10^{-6}$, un niveau de sensibilité inaccessible aux méthodes classiques.

4. Signification et Conclusion

Cette étude démontre de manière convaincante que les architectures d'apprentissage profond basées sur l'attention (Transformers et GAT) sont supérieures aux méthodes traditionnelles (coupes et MLP) pour l'analyse des processus rares du quark top au LHC.

• Avantage technique : La capacité de ces modèles à apprendre des représentations hiérarchiques et à capturer les corrélations non linéaires entre les particules finales permet d'extraire des informations subtiles que les coupes sélectives négligent.
• Impact physique : L'amélioration de la sensibilité d'un facteur 5 permet d'explorer des régions de l'espace des paramètres de nouvelle physique beaucoup plus restreintes, potentiellement capables de tester ou d'exclure des scénarios BSM (Beyond Standard Model) qui seraient autrement invisibles.
• Conclusion : À mesure que la statistique du LHC augmentera (HL-LHC), l'utilisation de ces architectures avancées deviendra non seulement avantageuse, mais nécessaire pour maximiser le potentiel de découverte dans les canaux de physique du quark top.

En résumé, ce travail valide l'adoption des Transformers et des GAT comme outils standards pour les futures recherches de nouvelle physique au LHC, offrant une voie prometteuse pour repousser les limites de la sensibilité expérimentale.