Machine learning techniques for jet reconstruction at LHCb and application to the search for $H \to b \bar{b}$ and $H \to c \bar{c}$ in $\sqrt{s}=13$ TeV $pp$ collisions

Cet article présente des techniques d'apprentissage automatique pour le calibrage de l'énergie des jets et l'étiquetage de saveur à LHCb, qui sont appliquées pour la recherche de désintégrations inclusives $H \to b\bar{b}$ et $H \to c\bar{c}$ dans les collisions $pp$ à 13 TeV, résultant en des limites supérieures observées à un niveau de confiance de 95 % de 6,6 et 1003 fois la section efficace du Modèle Standard, respectivement.

L'essentiel

Imaginez le Grand Collisionneur de Hadrons (LHC) au CERN comme un immense brise-particules à haute vitesse. Lorsque les protons entrent en collision, ils se fragmentent en un jet chaotique de particules plus petites. Les physiciens doivent trier ces débris pour trouver des événements spécifiques et rares — comme chercher un type précis de verre brisé dans un tas de sable.

Ce document de l'expérience LHCb décrit comment ils ont utilisé l'intelligence artificielle (apprentissage automatique) pour devenir bien plus performants dans le tri de ces débris, plus précisément pour rechercher le boson de Higgs (une particule célèbre) se désintégrant en deux types spécifiques de « quarks » (bottom et charm).

Voici une décomposition de ce qu'ils ont fait, en utilisant des analogies simples :

1. Le Problème : Une foule bruyante

Lorsque le boson de Higgs se désintègre en deux quarks, ces quarks s'envolent et se transforment en « jets » (des jets de particules). Le défi est que le signal du Higgs est très faible, et qu'il est noyé sous une montagne de bruit de fond (collisions de particules ordinaires).

Pour trouver le Higgs, les physiciens doivent faire deux choses parfaitement :

1. Mesurer le poids : Ils doivent savoir exactement quelle énergie les jets possèdent pour calculer la masse de la particule d'origine.
2. Identifier la saveur : Ils doivent savoir si les jets proviennent d'un quark « bottom », d'un quark « charm », ou simplement d'un quark « léger » générique.

2. La Solution : Deux nouveaux outils d'IA

L'équipe a développé deux nouvelles techniques d'apprentissage automatique pour améliorer leur recherche.

Outil A : La « Balance Intelligente » (Correction de l'énergie des jets)

L'ancienne méthode : Imaginez essayer de peser une valise sur une balance légèrement décalée. Vous utilisiez une formule simple pour deviner la correction, mais elle n'était pas parfaite, et votre mesure du poids de la valise restait un peu floue.
La nouvelle méthode : L'équipe a construit un Modèle de Régression (un type d'IA). Au lieu d'une formule simple, cette IA examine la « forme » du jet, le nombre de particules qu'il contient et la façon dont elles sont disposées. Elle agit comme une balance super intelligente qui apprend de millions d'exemples pour prédire le poids réel du jet avec une précision bien plus élevée.
Le résultat : Le « flou » de leurs mesures est devenu plus net. Ils pouvaient désormais distinguer le signal du Higgs du bruit de fond de manière beaucoup plus claire.

Outil B : L'« Expert Détective » (Étiquetage de la saveur des jets)

L'ancienne méthode : Pour identifier si un jet était un jet « bottom » ou « charm », l'ancienne méthode cherchait un indice spécifique : un « sommet secondaire » (un minuscule point où une particule s'est désintégrée). C'était comme un détective cherchant une seule empreinte digitale. Si l'empreinte était faible ou manquante, le détective ne pouvait pas trancher.
La nouvelle méthode : Ils ont construit un Réseau de Neurones Profonds (DNN). C'est comme embaucher un détective qui ne se contente pas de regarder une seule empreinte digitale. Cette IA examine tout : les trajectoires de chaque particule, les dépôts d'énergie, les points de désintégration et la forme globale du jet. Elle combine des milliers de petits indices pour prendre une décision.
Le résultat : Ce « Super Détective » est bien meilleur pour repérer la différence entre les jets bottom, les jets charm et les jets légers ordinaires. Il a capturé plus de vrais signaux et ignoré davantage de faux signaux.

3. La Grande Chasse : Rechercher le Higgs

Avec ces deux nouveaux outils, l'équipe est partie à la chasse au boson de Higgs se désintégrant en :

• Quarks bottom ($H \to b\bar{b}$)
• Quarks charm ($H \to c\bar{c}$)

Ils ont analysé des données de 2016 (1,6 fb$^{-1}$ de collisions). Ils n'ont pas supposé comment le Higgs était produit ; ils ont simplement cherché les produits de désintégration partout dans les données.

Le défi : Le bruit de fond (collisions de particules ordinaires) est énorme. Pour gérer cela, ils ont utilisé une astuce ingénieuse : ils ont défini une « Région de Contrôle » (une zone sûre où ils savaient qu'auc qu'aucun Higgs n'existait) pour apprendre à quoi ressemblait le bruit de fond, puis ils ont utilisé cette connaissance pour prédire le bruit dans leur « Région de Signal » (là où le Higgs pourrait se trouver).

4. Les Résultats : Qu'ont-ils trouvé ?

Après avoir passé les chiffres au crible, ils n'ont trouvé aucune preuve de la désintégration du boson de Higgs de cette manière spécifique dans leur ensemble de données. Les données ressemblaient exactement à ce que l'on attendrait si le Higgs n'était pas là (ou s'il était trop rare pour être vu avec cette quantité de données).

Cependant, ils ont fixé des limites sur la fréquence à laquelle cela pourrait se produire :

• Pour les Quarks Bottom : Ils ont trouvé que si le Higgs se désintègre effectivement en quarks bottom, cela se produit au moins 6,6 fois moins souvent que ce que prédit le Modèle Standard. (C'est un très bon résultat ; c'est proche de la limite attendue).
• Pour les Quarks Charm : Ils ont trouvé que si le Higgs se désintègre en quarks charm, cela se produit au moins 1 003 fois moins souvent que prévu. (Cette limite est beaucoup plus faible, ce qui signifie qu'il est beaucoup plus difficile de trouver le signal charm car le bruit de fond est très fort et les jets charm sont plus difficiles à repérer).

5. Et après ?

L'article conclut que même s'ils n'ont pas trouvé le Higgs dans cet ensemble de données spécifique, leurs nouveaux outils d'IA sont un immense succès. Ils ont prouvé que l'apprentissage automatique peut considérablement améliorer la façon dont le LHCb mesure les jets.

Ils prédisent qu'avec plus de données issues des futures campagnes (Run 4 et Run 5 du LHC), ces outils seront assez puissants pour enfin observer la désintégration du Higgs en quarks bottom et se rapprocher de l'observation de la désintégration en quarks charm.

En bref : Ils ont fabriqué de meilleures lunettes d'IA pour voir à travers le brouillard de particules. Ils n'ont pas trouvé le trésor (le signal du Higgs) dans ce tas de sable spécifique, mais ils ont prouvé que leurs nouvelles lunettes fonctionnent si bien qu'ils sont convaincus de le trouver avec un tas de sable plus important à l'avenir.

Résumé technique

Résumé technique : Techniques d'apprentissage automatique pour la reconstruction de jets à LHCb et application aux recherches $H \to b\bar{b}$ et $H \to c\bar{c}$

Énoncé du problème
L'expérience LHCb, principalement conçue pour la physique des saveurs lourdes dans la région de pseudorapidité vers l'avant ($2 < \eta < 5$), est confrontée à des défis importants pour reconstruire et identifier les jets, en particulier ceux provenant de quarks de saveur lourde ($b$ et $c$). Les méthodes de reconstruction standard souffrent d'une résolution d'énergie dégradée en raison des neutrinos non détectés dans les désintégrations sémi-leptoniques et d'une efficacité limitée pour distinguer les jets de saveur lourde des jets de saveur légère (initiés par des quarks $u, d, s$ ou des gluons). Ces limitations entravent la précision des recherches inclusives du boson de Higgs ($H \to b\bar{b}$ et $H \to c\bar{c}$) dans l'état final dijet, où une résolution de la masse invariante dijet élevée et un marquage de saveur à haute pureté sont critiques pour séparer le signal du fond multijet QCD écrasant.

Méthodologie
L'article introduit deux nouvelles techniques d'apprentissage automatique pour répondre à ces défis de reconstruction et d'identification, appliquées à un ensemble de données de collisions $pp$à$\sqrt{s} = 13$ TeV correspondant à une luminosité intégrée de $1,6 \text{ fb}^{-1}$ (collectée en 2016).

1. Correction de l'énergie des jets (JEC) basée sur la régression :

   • Approche : Un régresseur à gradient boosté (GBR) est employé pour corriger les énergies des jets, remplaçant le facteur de correction multiplicatif standard.
   • Entrées : Le modèle utilise un ensemble complet de 421 caractéristiques, incluant la cinématique des jets ($p_T, \eta, \phi$), la composition (nombre de constituants, fraction de particules chargées), la sous-structure des jets (distribution d'énergie dans des anneaux concentriques $\Delta R$), les informations sur les muons et les variables au niveau de l'événement (nombre de vertices primaires).
   • Entraînement : Le régresseur est entraîné sur des échantillons de signal $H \to b\bar{b}$ simulés et de fond dijet pour prédire l'énergie du jet au niveau de la vérité (truth-level). Des modèles distincts sont entraînés pour les jets de tête (leading) et de sous-tête (subleading).
   • Objectif : Minimiser la différence entre la masse invariante dijet reconstruite et la masse de vérité ($m_{reco} - m_{truth}$), afin d'améliorer la résolution de masse.

2. Réseau de neurones profonds (DNN) pour le marquage de la saveur des jets :

   • Approche : Un réseau de neurones profonds, inspiré de l'algorithme DeepJet de CMS, est développé pour discriminer entre les jets $b$, les jets $c$ et les jets légers.
   • Architecture : Le réseau traite quatre catégories d'entrées : particules chargées, particules neutres, vertices secondaires et propriétés globales des jets. Il utilise des couches de convolution 1D pour les caractéristiques des particules, une couche LSTM (Long Short-Term Memory) pour le traitement séquentiel des particules chargées/neutres, et des couches denses pour la classification finale.
   • Entrées : Jusqu'à 20 particules chargées (ordonnées par impact paramètre) et 10 particules neutres (ordonnées par énergie) par jet sont incluses, ainsi que la cinématique des vertex secondaires et les variables globales des jets.
   • Sortie : Le réseau produit trois probabilités ($P_b, P_c, P_q$) représentant la vraisemblance qu'un jet provienne d'un quark $b$, $c$ ou léger, respectivement.

3. Stratégie de recherche et estimation du fond :

   • Régions de signal et de contrôle : Les régions de signal (SR) sont définies par des seuils de probabilité DNN stricts et des exigences de marquage de vertex secondaire. Les régions de contrôle (CR), composées de paires de jets de saveurs mixtes, sont utilisées pour modéliser le fond QCD multijet dominant de manière pilotée par les données (data-driven).
   • Modélisation du fond : Une fonction de transfert (TF), paramétrée comme un polynôme de Bernstein, extrapole la forme de la masse dijet de la CR vers la SR.
   • Analyse statistique : Un ajustement par maximum de vraisemblance binné est effectué sur le spectre de masse invariante dijet ($45 < M_{jj} < 250 \text{ GeV}/c^2$). Les incertitudes systématiques (ex: échelle d'énergie des jets, efficacité de marquage, modélisation du fond) sont incorporées via des paramètres de nuisance. Les limites supérieures sont fixées en utilisant la méthode $CL_s$.

Principales contributions

• Développement algorithmique : L'article présente la première application d'une correction d'énergie de jet basée sur GBR et d'un DNN de pleine sous-structure pour le marquage de saveur à LHCb.
• Amélioration des performances :
  • La correction GBR améliore significativement la résolution de la masse invariante dijet par rapport à la méthode JEC cubique standard.
  • L'algorithme de marquage DNN démontre une amélioration de l'efficacité relative de $>9\%$ pour les jets $b$ et $>20\%$ pour les jets $c$ par rapport à l'algorithme de marquage par vertex secondaire (SVT) standard, tout en maintenant un taux de fausse identification des jets légers d'environ $1\%$.
• Recherche inclusive : Contrairement aux analyses précédentes de LHCb axées sur la production associée à un boson vecteur ($VH$), ce travail cible les désintégrations inclusives $H \to b\bar{b}$ et $H \to c\bar{c}$ sans hypothèses sur le mécanisme de production, permettant des comparaisons plus larges avec les théories au-delà du Modèle Standard (BSM).

Résultats
En utilisant le jeu de données de 2016 ($1,6 \text{ fb}^{-1}$), aucun excès significatif d'événements attribuables aux désintégrations du boson de Higgs n'a été observé dans aucun des deux canaux. Les rendements de signal ajustés sont compatibles avec zéro.

• Recherche $H \to b\bar{b}$ :

  • Limite supérieure observée à 95% CL : $6,6 \times \sigma_{SM}$ (211 pb).
  • Limite supérieure attendue à 95% CL : $11,1 \times \sigma_{SM}$.
  • La limite observée est plus stricte que prévu en raison d'une fluctuation statistique vers le bas dans les données.

• Recherche $H \to c\bar{c}$ :

  • Limite supérieure observée à 95% CL : $1003 \times \sigma_{SM}$ (1605 pb).
  • Limite supérieure attendue à 95% CL : $1834 \times \sigma_{SM}$.
  • La sensibilité est limitée par un faible rapport signal/fond, une efficacité de marquage du charme réduite et des taux de fausse identification du fond plus élevés.

• Incertitudes systématiques : L'incertitude systématique dominante pour les deux recherches est l'efficacité de marquage du vertex secondaire des jets (15% pour $H \to b\bar{b}$, 19% pour $H \to c\bar{c}$).

Signification et perspectives futures
L'article affirme que ces résultats établissent les limites les plus strictes sur la production inclusive de $H \to b\bar{b}$ et $H \to c\bar{c}$ en utilisant l'ensemble de données actuel de LHCb. Le déploiement de ces techniques d'apprentissage automatique démontre leur potentiel pour améliorer la précision des mesures de jets à LHCb.

Les auteurs fournissent des extrapolations pour les prises de données futures (Run 3, Run 4 et Run 5). Ils concluent que :

• L'observation du processus inclusif $H \to b\bar{b}$ devrait être réalisable d'ici la fin du Run 4 (50 $\text{fb}^{-1}$), avec des limites projetées atteignant $\sim 1,1 \times \sigma_{SM}$.
• D'ici la fin du Run 5 (300 $\text{fb}^{-1}$), le canal inclusif $H \to c\bar{c}$ devrait permettre de contraindre le couplage de Yukawa du charme ($y_c$) à environ 6,7 fois la valeur du Modèle Standard. Cette approche offre une contrainte complémentaire aux recherches de production $VH$, car elle ne dépend pas d'hypothèses concernant le mécanisme de production du Higgs.