DeepMET: Improving missing transverse momentum estimation with a deep neural network

Ce document présente DeepMET, un nouvel estimateur de l'impulsion transverse manquante basé sur des réseaux de neurones profonds, qui améliore la résolution de cette mesure de 10 à 30 % par rapport aux méthodes actuelles de la collaboration CMS.

L'essentiel

Le Mystère des "Fantômes" de l'Espace : Comment DEEPMET aide les scientifiques à voir l'invisible

Imaginez que vous assistiez à une immense bataille de billes de cristal dans une pièce plongée dans le noir total. Les billes s'entrechoquent, rebondissent et volent partout. Soudain, vous voyez une bille de cristal être projetée violemment vers la gauche, comme si elle avait été frappée par quelque chose... mais vous ne voyez rien d'autre. Pas d'autre bille, pas de main, rien.

Pourtant, vous savez que si une bille a été projetée, c'est qu'un objet l'a frappée. Cet objet est là, il est réel, mais il est invisible.

C'est exactement ce qui se passe au CERN, dans le Grand Collisionneur de Hadrons (LHC). Les scientifiques font s'entrechoquer des particules à des vitesses incroyables. Parfois, certaines particules (comme les neutrinos ou la fameuse "matière noire") sont comme ces objets invisibles : elles traversent les détecteurs sans laisser de trace. Pour savoir qu'elles sont passées par là, les chercheurs calculent ce qu'on appelle l'impulsion transverse manquante ($\vec{p}_T^{miss}$). En gros, ils font la balance : "Si tout était visible, le total devrait être de zéro. S'il manque un poids à gauche, c'est qu'un fantôme est passé par là."

Le problème : Le "Bruit" de la foule

Le souci, c'est que le LHC est un environnement extrêmement "bruyant". Imaginez que la bataille de billes ne se déroule pas dans une pièce vide, mais dans une boîte de nuit bondée où des milliers de gens s'agitent en même temps (c'est ce qu'on appelle le pileup). Ce chaos rend le calcul de la balance très difficile. On finit par croire qu'un fantôme est passé, alors que c'est juste le désordre de la foule qui a faussé les mesures.

La solution : DEEPMET, le "Détecteur de Mensonges" Intelligent

C'est là qu'intervient DEEPMET. Au lieu d'utiliser une simple calculatrice pour faire la somme des billes visibles, les chercheurs de la collaboration CMS ont créé une Intelligence Artificielle (un réseau de neurones profonds).

Voici comment DEEPMET travaille, avec une analogie :

Imaginez que vous deviez faire la somme du poids des objets dans une pièce, mais que certains objets soient des illusions d'optique, d'autres soient des poussières légères, et d'autres des objets très lourds.

• L'ancienne méthode (PF ou PUPPI) : C'était comme essayer de tout peser sans distinction, en espérant que les erreurs s'annulent.
• La méthode DEEPMET : C'est comme si vous donniez à un expert une loupe magique. Pour chaque objet détecté, l'IA examine ses caractéristiques (sa vitesse, sa trajectoire, sa nature). Elle se dit : "Tiens, cet objet a l'air d'être une simple poussière causée par le bruit de la foule, je vais lui donner un poids presque nul dans mon calcul" ou "Cet objet est très net et solide, je vais lui donner toute mon attention".

L'IA attribue un "poids" à chaque particule détectée. Elle apprend à faire le tri entre les vraies particules issues de la collision importante et le "bruit" parasite des collisions secondaires.

Les résultats : Une vision plus nette

Grâce à DEEPMET, les scientifiques ont obtenu des résultats impressionnants :

1. Une précision accrue : La résolution (la netteté de la mesure) s'est améliorée de 10 à 30 %. C'est comme si on passait d'une vieille télévision cathodique un peu floue à une image en Ultra-Haute Définition.
2. Une résistance au chaos : Même quand il y a énormément de collisions parasites (le fameux pileup), DEEPMET reste calme et précis, là où les anciennes méthodes commençaient à paniquer.
3. Polyvalence : Que l'on cherche des particules liées au Boson de Higgs ou des candidats à la matière noire, l'IA s'adapte et fonctionne partout.

En résumé

DEEPMET est un nouveau "cerveau numérique" qui permet de mieux calculer ce qui manque dans les collisions de particules. En apprenant à distinguer le signal important du bruit de fond, il permet aux physiciens de mieux traquer les particules invisibles, ouvrant ainsi une fenêtre plus claire sur les mystères les plus profonds de notre Univers.

Résumé technique

Résumé Technique : DEEPMET – Amélioration de l'estimation de l'impulsion transverse manquante via un réseau de neurones profonds

1. Problématique

Dans les collisionneurs de hadrons comme le LHC (CERN), la mesure de l'impulsion transverse manquante ($\vec{p}_T^{\text{miss}}$) est cruciale. Elle permet d'inférer indirectement la présence de particules qui n'interagissent pas avec les détecteurs, telles que les neutrinos (Modèle Standard) ou des candidats à la matière noire (au-delà du Modèle Standard).

Cependant, la mesure de $\vec{p}_T^{\text{miss}}$ est extrêmement complexe en raison de plusieurs facteurs limitants :

• La résolution des particules reconstruites (électrons, muons, jets, etc.).
• La couverture finie du détecteur et le bruit instrumental.
• Le "pileup" : les multiples interactions proton-proton supplémentaires qui accompagnent la collision d'intérêt, ajoutant un bruit de fond de particules de faible impulsion qui faussent la somme vectorielle.

Les méthodes traditionnelles (comme l'algorithme PUPPI) nécessitent un réglage complexe et leur efficacité varie selon le processus physique et la région cinématique.

2. Méthodologie

Les auteurs introduisent DEEPMET, un nouvel estimateur basé sur un réseau de neurones profonds (DNN). Contrairement aux approches précédentes qui analysent l'événement de manière globale, DEEPMET traite chaque candidat "Particle-Flow" (PF) individuellement.

• Architecture du DNN : Le réseau utilise 11 caractéristiques par particule (8 continues comme l'impact parameter $d_{xy}$, $d_z$, le poids PUPPI et les variables cinématiques $\eta, m, p_x, p_y, p_T$ ; et 3 catégorielles comme l'ID de la particule, la charge et le flag d'association au vertex primaire). Les variables catégorielles passent par des couches d'intégration (embedding layers).
• Fonctionnement : Pour chaque particule $i$, le DNN prédit un poids $w_i$ et deux termes de biais ($b_{i,x}, b_{i,y}$). L'estimateur final est la somme vectorielle négative des impulsions pondérées, incluant les biais :
  $$\vec{p}_T^{\text{miss}} = -\sum_{i} (w_i \vec{p}_{T,i} + \vec{b}_i)$$
• Entraînement : Le modèle a été entraîné sur des simulations Monte Carlo de processus $Z+\text{jets}$ et $t\bar{t}$ en utilisant une fonction de perte d'erreur quadratique moyenne (MSE) par rapport aux composantes réelles du $\vec{p}_T^{\text{miss}}$.
• Adaptabilité (PV-Agnostic) : Pour les analyses de haute précision (comme la masse du boson $W$), une version "PV-Agnostic" a été développée pour être robuste même lorsque le vertex primaire (LPV) est mal identifié.

3. Contributions clés

• Approche granulaire : En apprenant des poids par particule plutôt que par événement, l'algorithme généralise mieux et est plus facile à entraîner.
• Résilience au pileup : L'intégration des poids PUPPI et des informations de vertex permet une meilleure distinction entre les particules de la collision principale et celles du pileup.
• Efficacité computationnelle : Avec seulement 4 541 paramètres entraînables, le modèle est extrêmement léger, permettant une inférence rapide (environ 10 ms par événement) directement dans le framework CMSSW de CMS.

4. Résultats principaux

Les performances ont été validées sur des données de collision réelles (13 TeV) et des simulations :

• Amélioration de la résolution : DEEPMET améliore la résolution du $\vec{p}_T^{\text{miss}}$ de 10 à 30 % par rapport aux estimateurs actuels (PF $\vec{p}_T^{\text{miss}}$ et PUPPI $\vec{p}_T^{\text{miss}}$).
• Performance multi-processus : L'amélioration est observée de manière constante sur une large gamme de processus : bosons $W$ et $Z$, paires de quarks top ($t\bar{t}$), bosons de Higgs (y compris les modes invisibles) et modèles de supersymétrie (SMS).
• Robustesse : L'algorithme montre une excellente résilience face à l'augmentation du nombre de vertex primaires (pileup).
• Calibration : Les auteurs ont démontré qu'une calibration par quantiles permet d'aligner parfaitement la simulation avec les données réelles, garantissant la fiabilité de l'outil pour la physique de précision.

5. Signification

Le déploiement de DEEPMET représente une avancée majeure pour l'expérience CMS. En augmentant la précision de la mesure de l'impulsion manquante, cet algorithme accroît la sensibilité de l'expérience pour :

1. La mesure de précision des paramètres du Modèle Standard (ex: masse du boson $W$).
2. La recherche de physique au-delà du Modèle Standard (BSM), notamment pour les candidats à la matière noire qui se manifestent par des signatures de $\vec{p}_T^{\text{miss}}$.
3. L'exploitation optimale des données des futurs runs du LHC, notamment dans les conditions de très haut pileup du HL-LHC (High-Luminosity LHC).