⚛️ high-energy experiments

Machine-learning techniques for model-independent searches in dijet final states

Cet article présente et évalue des méthodes de détection d'anomalies basées sur l'apprentissage automatique pour des recherches indépendantes de modèles de nouvelle physique dans les états finaux de dijets utilisant des données de collisions proton-proton à 13 TeV de l'expérience CMS, démontrant leur efficacité pour identifier les jets anormaux et les quarks top boostés sans dépendre de modèles théoriques spécifiques.

Auteurs originaux : CMS Collaboration

Publié 2026-07-08

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : CMS Collaboration

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un détective essayant de trouver une pièce de monnaie contrefaite, unique, cachée dans un entrepôt massif rempli de milliards de pièces authentiques. Dans le monde de la physique des particules, cet entrepôt est le Grand Collisionneur de Hadrons (LHC), et les « pièces » sont les particules créées lorsque des protons entrent en collision.

Habituellement, les scientifiques savent exactement à quoi ressemble la pièce contrefaite avant de commencer la recherche. Ils construisent un moule spécifique (une théorie) et cherchent ce qui correspond à cette forme. Mais et si la pièce contrefaite était quelque chose de totalement nouveau, quelque chose que personne n'a jamais imaginé ? Si vous ne cherchez qu'une forme spécifique, vous passerez à côté.

Ce document de la Collaboration CMS au CERN porte sur une nouvelle façon de traquer ces « inconnus inconnus ». Au lieu de chercher une forme spécifique, ils utilisent l'Apprentissage Automatique (IA) pour agir comme un détecteur de métaux ultra-sensible qui hurle : « Cela ne ressemble pas aux millions de pièces normales que j'ai vues auparavant ! »

Voici une décomposition de leur méthode, utilisant des analogies simples :

1. Le problème : « L'aiguille dans la botte de foin »

Lorsque les protons entrent en collision, ils produisent principalement des particules standards (le « foin »). Occasionnellement, une nouvelle particule lourde pourrait être créée, qui se désintègre en deux jets de particules appelés jets (l'« aiguille »).

L'ancienne méthode : Les scientifiques devinaient l'apparence de la nouvelle particule, construisaient un filtre pour elle, et cherchaient. S'ils se trompaient dans leur supposition, ils rataient la découverte.
La nouvelle méthode : L'équipe a décidé d'arrêter de deviner. À la place, ils ont demandé à leur IA d'apprendre parfaitement ce qu'est la « normalité », afin qu'elle puisse instantanément repérer tout ce qui est « bizarre » ou « anomal » (anomalie).

2. Les cinq détectives (Les méthodes)

Le document teste cinq différents « détectives » d'IA, chacun ayant une stratégie différente pour trouver les jets bizarres. Considérez-les comme cinq façons différentes de repérer une fausse pièce :

Le Imitateur (VAE-QR) : Imaginez une IA qui essaie de redessiner chaque pièce qu'elle voit. Si elle voit une pièce normale, elle peut la redessiner parfaitement. Si elle voit une pièce contrefaite et bizarre, son dessin sera flou et erroné. Ce « flou » est le score qui dit : « Ceci est une anomalie ! »
Les apprenants « sans étiquettes » (CWoLa, TNT, CATHODE) : Ceux-ci sont ingénieux car ils n'ont pas besoin de savoir à quoi ressemble la fausse pièce. On leur donne un sac de pièces mélangées et on leur dit : « Trouvez celles qui sont différentes de celles de la pièce d'à côté. » Ils apprennent en comparant la « Salle du Signal » (où se trouve potentiellement le truc bizarre) avec les « Pièces Latérales » (où nous savons qu'il n'y a que des choses normales). Si l'IA remarque un motif dans la Salle du Signal qui n'est pas présent dans les Pièces Latérales, elle le signale.
- CATHODE est particulièrement intelligent ; il construit une carte 3D de ce qui est « normal » dans les pièces latérales, puis projette cette carte dans la salle du signal pour voir ce qui manque ou ce qui est différent.
Le « Semi-Omniscient » (QUAK) : Ce détective reçoit quelques exemples de ce qui pourrait être une fausse pièce (basés sur des théories passées) pour l'aider à se concentrer, mais il garde tout de même l'esprit ouvert pour d'autres choses étranges.

3. Le piège de la « Sculpture »

Il y avait un risque majeur : si l'IA devenait trop douée pour repérer la « bizarrerie », elle pourrait accidentellement commencer à trier les pièces selon leur poids ou leur taille simplement parce que les pièces bizarres se trouvaient être lourdes. Cela ruinerait la recherche car cela créerait de faux « pics » dans les données qui ressembleraient à des découvertes, mais ne seraient pas de vraies découvertes.

La solution : L'équipe a utilisé une astuce mathématique (appelée Régression par Quantiles) pour s'assurer que le « score de bizarrerie » de l'IA ne dépende pas accidentellement de la taille de la collision. C'est comme s'assurer que votre détecteur de métaux ne bipe pas plus fort simplement parce que la pièce est plus grande, mais seulement parce qu'elle est faite d'un métal différent.

4. Le test en conditions réelles : Trouver le Quark Top

Pour prouver que leur système fonctionne réellement, ils n'ont pas seulement cherché des particules imaginaires ; ils ont essayé de trouver quelque chose qu'ils savaient déjà exister mais qui est difficile à repérer dans cette configuration spécifique : le Quark Top.

L'analogie : Imaginez que vous essayez de trouver un type d'oiseau rare dans une forêt remplie de moineaux. Vous dites à votre IA : « Trouvez-moi tout ce qui ressemble à autre chose qu'un moineau. »
Le résultat : L'IA a réussi à filtrer les millions de jets ordinaires de « moineaux » et a mis en évidence les jets de « Quark Top ». Elle a récupéré les caractéristiques clés du Quark Top (comme sa masse et sa façon de se briser) presque aussi bien que si les scientifiques avaient dit à l'IA exactement ce qu'est un Quark Top dès le début. Cela a prouvé que le système est assez puissant pour trouver de la physique réelle sans avoir besoin d'une théorie spécifique au préalable.

5. La conclusion

Le document conclut que :

Aucun détective unique n'est parfait : Différentes méthodes d'IA ont trouvé différents types d'événements « bizarres ». Certaines étaient meilleures pour trouver un type d'anomalie, d'autres un autre type.
Ils travaillent ensemble : Comme les méthodes recherchent les anomalies de manières différentes, utiliser toutes ces méthodes ensemble offre la meilleure chance de trouver quelque chose de nouveau.
Cela fonctionne sur des données réelles : Le système a identifié avec succès des particules connues (Quarks Top) dans des données de collision réelles, prouvant qu'il peut gérer la réalité complexe du LHC.

En bref : Ce document est un manuel pour un nouveau type de « moteur de recherche universel » pour la physique des particules. Au lieu de chercher une clé spécifique, il cherche n'importe quelle clé qui ne rentre pas dans la serrure, ouvrant la porte à des découvertes que nous n'avons pas encore imaginées.

Résumé technique : Techniques d'apprentissage automatique pour les recherches indépendantes de modèles dans les états finaux de dijets

Énoncé du problème
La recherche de physique au-delà du Modèle Standard (SM) au Grand Collisionneur de Hadrons (LHC) est de plus en plus mise au défi par le fond écrasant des processus du SM, particulièrement ceux médiés par l'interaction forte (multijets QCD). Les recherches traditionnelles reposent sur des classificateurs d'apprentissage automatique (ML) supervisés, entraînés pour distinguer des signaux BSM (au-delà du Modèle Standard) hypothétiques d'un fond SM spécifique. Cette approche nécessite des formulations théoriques explicites pour chaque modèle alternatif, limitant la portée de la découverte aux hypothèses connues. De plus, les techniques traditionnelles de « recherche de bosse » (bump hunt), qui recherchent des pics résonants dans la masse invariante des systèmes de dijets ( $m_{jj}$ ), peuvent échouer si la fraction de signal est trop faible pour produire un pic visible contre le fond décroissant du SM. Le document traite du besoin de méthodes agnostiques vis-à-vis du modèle (détection d'anomalies) capables d'identifier des jets anormaux sans connaissance préalable des propriétés spécifiques du signal, tout en évitant le « sculptage » de la distribution $m_{jj}$ , ce qui invaliderait les interprétations statistiques.

Méthodologie
Le document présente une comparaison détaillée de cinq techniques distinctes d'apprentissage automatique appliquées aux données de collisions proton-proton collectées par l'expérience CMS à $\sqrt{s} = 13$ TeV (2016–2018, 138 fb $^{-1}$ ). L'analyse cible les états finaux de dijets où une résonance lourde ( $A$ ) se désintègre en deux particules plus légères ( $B$ et $C$ ), qui se désintègrent ensuite en particules du SM formant deux jets de grand rayon. Les méthodes sont classées selon leurs paradigmes d'entraînement :

Non supervisé (VAE-QR) : Un auto-encodeur variationnel (VAE) est entraîné sur les impulsions des constituants de bas niveau des jets provenant d'une région de bande latérale (sideband), où le signal est supprimé, pour apprendre la distribution du fond du SM. La perte de reconstruction sert de score d'anomalie. Pour empêcher la sélection de déformer le spectre $m_{jj}$ (sculptage), une étape de régression quantile (QR) est employée pour normaliser le seuil d'anomalie en fonction de $m_{jj}$ , garantissant la sélection d'une fraction constante d'événements quel que soit la masse.
Faiblement supervisé (CWoLa Hunting, TNT, CATHODE, CATHODE-b) : Ces méthodes utilisent la « classification sans étiquettes » (CWoLa) pour apprendre le rapport de vraisemblance entre le fond et les données directement à partir d'échantillons de données, sans étiquettes de signal explicites.
- CWoLa Hunting : Entraîne des classificateurs sur des jets individuels en utilisant des caractéristiques de sous-structure de haut niveau (ex: masse soft-drop, rapports de N-subjettiness, scores de b-tagging) pour distinguer les jets dans une région de signal (SR) de ceux dans les bandes latérales adjacentes. Des techniques de repondération sont appliquées pour décorréler le score d'anomalie de la cinématique des jets afin d'atténuer le sculptage de la masse.
- TNT (Tag N' Train) : Combine la supervision faible avec une pré-sélection initiale par auto-encodeur non supervisé. Un jet est utilisé pour « étiqueter » l'autre comme étant de type signal ou de type fond basé sur la perte de l'auto-encodeur, créant ainsi des échantillons enrichis pour l'entraînement faiblement supervisé.
- CATHODE / CATHODE-b : Utilise un modèle génératif conditionnel (Normalizing Flows) entraîné sur les données de bande latérale pour estimer la densité du fond dans la région de signal. Un classificateur faiblement supervisé distingue alors les données observées de la densité de fond générée. CATHODE-b étend cela en incluant des scores de b-tagging pour améliorer la sensibilité aux couplages de quarks de troisième génération.
Semi-supervisé (QUAK) : Incorpore un ensemble de priors de signal simulés pour guider la recherche. Il utilise des Normalizing Flows entraînés à la fois sur le fond et sur des références de signaux spécifiques pour définir un « espace QUAK », sélectionnant les événements qui sont dissemblables au fond mais similaires aux priors de signal.

Contributions clés

Comparaison exhaustive : Ce travail fournit la première comparaison détaillée de ces cinq méthodes diverses de détection d'anomalies en utilisant des données de collision réelles, allant au-delà des études précédentes limitées aux événements simulés.
Atténuation du sculptage : Le document détaille les contre-mesures techniques spécifiques (régression quantile, repondération, modélisation générative) mises en œuvre pour garantir que la sélection d'anomalies ne crée pas ou ne déforme pas artificiellement des pics dans la distribution $m_{jj}$ , une exigence critique pour une inférence statistique valide.
Analyse de l'impact des caractéristiques : L'étude examine comment différents ensembles de caractéristiques d'entrée (constituants de bas niveau vs variables de sous-structure de haut niveau) impactent la performance, révélant que le choix des caractéristiques peut expliquer les différences de sensibilité entre les méthodes, mais ne suffit pas à expliquer totalement les écarts de performance entre les algorithmes.
Validation des données : Une application novatrice de la détection d'anomalies faiblement supervisée est démontrée pour identifier les paires de quarks top ( $t\bar{t}$ ) boostées par Lorentz dans le canal de désintégration entièrement hadronique, validant la capacité des méthodes à récupérer une physique connue dans un cadre agnostique vis-à-vis du modèle.

Résultats

Sensibilité : Les cinq méthodes démontrent une sensibilité accrue aux signaux BSM simulés par rapport à une recherche inclusive (sans sélection de sous-structure) et à des coupes de sous-structure simples spécifiques au modèle. Cependant, aucune méthode unique n'est optimale pour toutes les topologies de signal.
Complémentarité : L'analyse de corrélation des scores d'anomalie révèle de faibles corrélations (typiquement < 60 %) entre les méthodes, indiquant qu'elles identifient les événements anormaux selon des critères différents. Cela suggère que la combinaison de ces approches pourrait produire des stratégies de recherche plus puissantes.
Écarts de performance : Bien que les classificateurs supervisés entraînés sur les mêmes caractéristiques atteignent des caractéristiques d'amélioration de la significativité (SIC) élevées, les méthodes agnostiques du modèle atteignent des valeurs SIC plus faibles (environ 50 % de la performance supervisée pour certaines méthodes). Cet écart est attribué à l'absence d'étiquettes de signal pendant l'entraînement et à la nécessité de prendre en compte les incertitudes systématiques dans la procédure de fixation de la limite.
Récupération du quark top : Dans l'étude de validation, la méthode faiblement supervisée a réussi à isoler les événements $t\bar{t}$ du fond QCD, atteignant une amélioration de la significativité comparable à celle d'un classificateur entièrement supervisé entraîné avec les mêmes entrées. Les techniques d'interprétabilité (importance des caractéristiques par permutation) ont identifié avec succès les propriétés physiques de l'excès (masse du jet proche de 175 GeV, scores de b-tagging élevés et sous-structure à trois branches), démontant la faisabilité de l'interprétation des résultats positifs de recherche d'anomalies.

Signification
Le document affirme que ces techniques de détection d'anomalies parviennent à améliorer la sensibilité aux signatures de nouvelles particules de manière agnostique vis-à-vis du modèle, offrant une alternative robuste aux recherches traditionnelles basées sur des hypothèses. En démontrant que ces méthodes peuvent récupérer les propriétés de particules connues (quarks top) sans connaissance préalable de leur existence, ce travail valide le potentiel de la détection d'anomalies pilotée par le ML pour découvrir une nouvelle physique inattendue. L'étude souligne que la complémentarité des différentes méthodes souligne la valeur de l'emploi d'une boîte à outils diversifiée de stratégies de détection d'anomalies dans les futures analyses du LHC.

1. Le problème : « L'aiguille dans la botte de foin »

2. Les cinq détectives (Les méthodes)

3. Le piège de la « Sculpture »

4. Le test en conditions réelles : Trouver le Quark Top

5. La conclusion

Articles similaires