Physics Objects in CMS Run 3

Cet article passe en revue la performance, le calibrage et la résilience des objets physiques clés dans CMS Run 3 à 13,6 TeV, en mettant en évidence le déploiement d'algorithmes basés sur les transformeurs pour l'identification de jets de saveur lourde et la reconstruction de résonances boostées dans des conditions de pileup élevé.

L'essentiel

Imaginez le Grand Collisionneur de Hadrons (LHC) comme le briseur de particules le plus puissant au monde. À l'intérieur du détecteur CMS, il fracasse des protons les uns contre les autres à une vitesse proche de celle de la lumière. L'objectif est de voir quelles minuscules pièces s'échappent du crash, dans l'espoir de trouver une nouvelle physique ou de mesurer des particules connues avec une précision extrême.

Ce document est un rapport d'étape de l'équipe CMS sur la manière dont ils gèrent les données du Run 3 (la phase actuelle des expériences). Voici la décomposition de leur travail, expliquée simplement :

1. Le problème de la « salle bondée » (Pileup)

Imaginez essayer d'entendre une seule personne chuchoter dans une pièce calme. Maintenant, imaginez que cette même pièce soit soudainement remplie de 60 autres personnes parlant toutes en même temps. C'est ce qu'est le LHC en ce moment. Chaque fois que la machine tire un faisceau, elle crée environ 60 collisions exactement au même moment. C'est ce qu'on appelle le « pileup ».

• Le défi : Il est très difficile de distinguer quel particule provient de la collision « principale » qui vous intéresse et lesquelles ne sont que du bruit provenant des 59 autres collisions.
• La solution : L'équipe a construit de nouveaux algorithmes logiciels plus intelligents qui agissent comme un casque à réduction de bruit surpuissant. Ils peuvent filtrer le « bavardage de fond » (le pileup) pour que les physiciens puissent clairement entendre le « chuchotement » (l'événement physique intéressant).

2. Les outils de « détective » (Objets physiques)

Pour comprendre les collisions, l'équipe doit identifier des « indices » ou objets physiques spécifiques. Ils ont amélioré leur boîte à outils pour ce nouvel environnement encombré :

• Leptons (Électrons et Muons) : Ce sont comme les messagers « propres » du crash. L'équipe a affiné la façon de les repérer, en veillant à ce qu'ils ne soient pas confondus par la foule. Ils utilisent une méthode « tag-and-probe » (comme vérifier une carte d'identité connue par rapport à un suspect) pour s'assurer de l'exactitude de leurs mesures.
• Photons : Ce sont des éclats de lumière. L'équipe a amélioré la façon dont elle mesure ces éclats, en s'assurant que la « luminosité » (l'énergie) est calculée correctement, même lorsque la pièce est bruyante.
• Jets : Lorsque des quarks (les minuscules blocs de construction) s'échappent, ils ne voyagent pas seuls ; ils éclatent en un jet d'autres particules, formant un « jet ». Par le passé, l'équipe devait soustraire manuellement le bruit. Désormais, ils utilisent un nouvel outil appelé PUPPI.
  • L'analogie : Imaginez essayer de compter des pommes dans un panier qui contient aussi beaucoup de confettis. Les anciennes méthodes tentaient de trier chaque pomme pour ignorer les confettis. PUPPI est comme une balance intelligente qui sait instantanément quels articles sont des pommes lourdes et lesquels sont de la légers confettis, ajustant le poids des pommes en fonction de la quantité de confettis qui les touchent. Cela rend la mesure des pommes beaucoup plus précise.

3. L'amélioration du « cerveau IA » (Apprentissage automatique)

La grande nouvelle de ce document est que l'équipe utilise désormais une IA basée sur les Transformers (le même type de technologie derrière les chatbots modernes) pour identifier des motifs complexes.

• Étiquetage de la saveur lourde (Heavy Flavor Tagging) : Parfois, un jet provient d'une particule lourde (comme un quark « bottom » ou « charm »). Identifier ceux-ci, c'est comme trouver un type spécifique de grain dans un tas de sable. L'ancienne IA (DeepJet) était bonne, mais les nouveaux modèles d'IA (ParticleNet et UParT) sont comme avoir une équipe de détectives experts qui peuvent regarder l'ensemble du « nuage » de particules dans un jet et reconnaître instantanément les plus lourds avec une précision bien plus élevée.
• Objets boostés (Boosted Objects) : Parfois, les particules se déplacent si vite qu'elles s'écrasent les unes sur les autres. La nouvelle IA peut repérer ces particules « écrasées » (comme un quark top boosté) bien mieux que auparavant, rejetant le bruit de fond 10 fois plus efficacement.

4. L L'indice « invisible » (Momentum manquant)

Parfois, des particules s'échappent du détecteur sans que nous puissions les voir (comme les neutrinos). Nous savons qu'elles sont là parce que le bilan total de l'énergie ne correspond pas.

• L'équipe a amélioré la façon dont elle calcule cet « argent manquant » (momentum manquant). En utilisant le nouveau système PUPPI et un nouvel outil de deep learning appelé DeepMET, ils peuvent calculer exactement quelle énergie « invisible » manque, même dans l'environnement bruyant et encombré.

5. La « Simulation » (L'entraînement)

Avant d'analyser les données réelles, ils effectuent des millions de « collisions d'entraînement » sur des ordinateurs (modélisation Monte Carlo).

• Le document note que leurs simulations informatiques de quarks top (particules lourdes) ont été affinées pour correspondre à la réalité bien mieux qu'auparavant. Ils ont ajusté les « règles » de la simulation (comme la façon dont les particules rebondissent les unes sur les autres) pour que les données virtuelles ressemblent exactement aux données réelles.

L'essentiel

L'équipe CMS a réussi à mettre à jour son logiciel pour gérer un environnement beaucoup plus bruyant et encombré que jamais. En passant à PUPPI pour nettoyer les données et en utilisant l'IA Transformer pour identifier les particules complexes, ils obtiennent des résultats plus clairs et plus précis. Cela prépare le terrain pour qu'ils continuent de faire des découvertes de classe mondiale sur les composants fondamentaux de l'univers dans les années à venir.

Résumé technique

Résumé Technique : Objets de Physique dans le Run 3 du CMS

Énoncé du Problème
L'expérience CMS opère actuellement dans le Run 3 du Grand Collisionneur de Hadrons (LHC) à une énergie de centre de masse de $\sqrt{s} = 13,6$ TeV. Une caractéristique déterminante de cette période de collecte de données est la luminosité instantanée élevée, résultant en une moyenne d'environ 60 interactions proton-proton par collision de paquets (pileup). Cet environnement à haut pileup pose des défis significatifs pour la reconstruction et l'étalonnage des objets de physique (leptons chargés, photons, jets et impulsion transverse manquante). Le problème principal abordé est le maintien de la sensibilité aux processus rares et aux mesures de précision sous ces conditions difficiles, tout en gérant les demandes computationnelles de la reconstruction. De plus, il existe un besoin d'améliorer l'identification des jets à saveur lourde et des résonances boostées, qui sont critiques pour la physique du quark top et les recherches au-delà du Modèle Standard.

Méthodologie
L'article décrit une mise à jour complète des algorithmes de reconstruction et des stratégies d'étalonnage pour le Run 3 :

• Cadre de Reconstruction : L'expérience continue de s'appuyer sur l'algorithme de Particle Flow (PF), qui combine les informations du traqueur, du calorimètre et du système muonique. Un développement novateur est l'algorithme Machine Learning Particle Flow (MLPF), qui utilise un modèle de transformer pour inférer le contenu particulaire directement à partir des traces et des clusters.
• Leptons et Photons :
  • Muons : La reconstruction lie les traces du traqueur en silicium aux segments du système muonique. L'identification emploie des techniques basées sur des coupures et des méthodes multivariées, avec des algorithges spécifiques pour les bas et hauts $p_T$. Les corrections de moment traitent le mauvais modelage du champ magnétique et les biais d'alignement.
  • Électrons/Photons : Les électrons utilisent le filtre de somme gaussienne (GSF) pour le rayonnement de Bremsstrahlung et les superclusters de type « mustache ». Une régression d'énergie basée sur la forme de la gerbe et la densité du pileup est appliquée. Une nouvelle méthode tag-and-probe utilisant des ajustements de vraisemblance non paramétriques et des flux normalisants est introduite pour la cartographie de l'efficacité.
• Jets et Atténuation du Pileup : La collaboration a pleinement adopté l'algorithme Pileup Per Particle Identification (PUPPI) comme défaut pour l'atténuation du pileup, remplaçant l'ancien retrait des hadrons chargés (CHS). PUPPI utilise des informations de forme locale pour re-scaler les quatre-moments des particules, minimisant les contributions du pileup. L'étalonnage des jets implique des corrections d'offset L1 (largement inutiles pour les jets PUPPI), des corrections de réponse basées sur la simulation, et des corrections résiduelles données/simulation dérivées d'événements dijet et $\gamma/Z$+jet.
• Algorithmes de Tagging : L'identification des saveurs lourdes et des objets boostés est passée des réseaux de neurones récurrents (ex: DeepJet) aux architectures basées sur les transformers :
  • ParticleNet : Un réseau de neurones sur graphes traitant les constituants du jet comme un « nuage de particules » non ordonné.
  • UParT (Unified Particle Transformer) : Exploite les caractéristiques d'interaction par paires avec un entraînement adversarial pour la robustesse, permettant le tagging de jets étranges et la discrimination quark/gluon.
  • DeepTau : Un algorithme amélioré pour l'identification des leptons tau, présentant des probabilités de mauvaise identification de jets nettement plus faibles.
  • Tops Boostés : ParticleNet et ParT sont appliqués aux jets AK8 à grand rayon pour l'identification du quark top.
• Impulsion Transverse Manquante ($p_T^{miss}$) : Le choix par défaut est passé au $p_T^{miss}$ basé sur PUPPI en raison de sa dépendance réduite au pileup. Un nouvel algorithme DeepMET, basé sur des réseaux de neurones profonds, apprend les poids optimaux pour les candidats PF afin d'améliorer la résolution.
• Modélisation Monte Carlo : Les simulations de signal et de fond utilisent le générateur Powheg-hvq interfacé avec Pythia 8 (tune CP5). Les améliorations incluent un meilleur modelage du rayonnement initial/final et des spectres de $p_T$ du top, ainsi que des modèles de reconnexion de couleur (CR) ajustés aux données CMS.

Contributions Clés et Résultats

• Performance sous Haut Pileup : L'adoption de PUPPI a rendu l'identification des objets boostés plus résiliente face au pileup et a fortement supprimé les jets de pileup dans la couverture du traqueur. L'offset d'énergie de pileup pour les jets PUPPI est proche de zéro, réduisant le besoin de corrections L1 traditionnelles.
• Efficacité Computationnelle : L'algorithme MLPF atteint un facteur de vitesse de 2 sur une infrastructure de calcul hétérogène moderne (CPU+GPU) par rapport au PF standard, tout en démontrant des performances physiques comparables.
• Améliorations de l'Identification :
  • Saveur Lourde : Les nouveaux taggers basés sur les transformers (ParticleNet, UParT) ont été mis en service avec succès.
  • Leptons Tau : DeepTau v2.5 montre une probabilité de mauvaise identification de jet 30 à 50 % plus faible que la version v2.1 précédente.
  • Tops Boostés : Les nouveaux taggers offrent jusqu'à 10 fois un meilleur rejet de fond que le tagger DeepAK8 décorrélé en masse utilisé lors des runs précédents et montrent une résolution de masse du quark top améliorée.
  • Énergie des Jets : Les tâches de régression de $p_T$ de jet auxiliaires dans les nouvelles architectures améliorent la résolution de l'énergie des jets jusqu'à 20 % après corrections Monte Carlo.
• Métriques de Précision :
  • Luminosité : L'incertitude préliminaire pour les données de 2023 est de $\pm 1,3\%$, avec une analyse affinée du Run 2 yield une luminosité intégrée totale de $137,88 \pm 1,01 \text{ fb}^{-1}$ (incertitude de 0,73 %).
  • Momentum des Muons : L'étalonnage standard atteint une précision de $\approx 0,05\%$ ; les analyses dédiées (ex: masse du W) atteignent $0,006\%$.
  • Énergie des Jets : L'incertitude totale du Run 2 est de l'ordre de 1 % ; les étalonnages du Run 3 pour les jeux de données 2022–2024 montrent des améliorations, particulièrement dans l'endcap grâce à un meilleur étalonnage du calorimètre.

Signification
L'article affirme que les objets de physique utilisés pour les analyses CMS ont été mis en service avec succès et étalonnés pour l'environnement à haut pileup du Run 3 du LHC. L'adoption généralisée de l'algorithme PUPPI et l'intégration du tagging basé sur les transformers représentent des améliorations de performance significatives malgré les conditions de collision plus rudes. Combinées à une détermination précise de la luminosité et à une modélisation Monte Carlo raffinée, ces avancées positionnent la collaboration CMS pour continuer à délivrer des résultats de précision sur la physique du quark top dans les années à venir. La transition vers une reconstruction et une identification pilotées par l'apprentissage automatique (MLPF, ParticleNet, UParT, DeepMET) marque une évolution critique dans la gestion de la complexité des données du Run 3.