Optimizing b-Jet Performance in the CMS High-Level Trigger with Run-3 Data

Ce rapport présente la mise en service et l'évaluation des performances des algorithmes de sélection de jets b en temps réel au sein du système HLT de l'expérience CMS, en utilisant les données de collision proton-proton collectées durant le Run-3.

L'essentiel

Le Grand Tri de l'Univers : Comment CMS repère les "pépites" de matière

Imaginez que vous êtes à la sortie d'un immense stade de football après un match de folie. Des millions de spectateurs sortent en même temps, tous mélangés, criant et courant dans tous les sens. Parmi cette foule immense, vous cherchez des personnes très spécifiques : des collectionneurs de pièces rares qui portent des sacs remplis de trésors.

Le problème ? Il y a trop de monde. Si vous essayez de vérifier l'identité de chaque personne une par une, vous allez mettre des années et le stade sera bloqué pour toujours.

C'est exactement le défi du CMS (un détecteur géant au CERN).

1. Le problème : Trop de données, trop peu de temps

Le Grand Collisionneur de Hadrons (LHC) fait s'entrechoquer des particules à une vitesse phénoménale. Cela crée une "foule" de données gigantesque (30 millions d'événements par seconde !). Le système doit décider en une fraction de seconde ce qui est intéressant à garder et ce qui est "bruit" (des particules banales) à jeter.

On cherche surtout des "b-jets". Considérez les b-jets comme ces collectionneurs de trésors : ils sont rares, mais ils nous donnent des indices cruciaux sur les secrets de l'Univers (comme l'origine de la masse ou la matière noire).

2. L'outil : De l'ancien détective au nouveau génie de l'IA

Pendant des années, on utilisait un "détective" (un algorithme appelé DeepJet) pour reconnaître ces collectionneurs. Mais avec les nouvelles conditions de travail (le "Run-3"), ce détective est devenu un peu lent et moins précis. Il commençait à confondre les collectionneurs avec des touristes ordinaires.

Pour résoudre cela, les scientifiques ont introduit un nouveau cerveau numérique : ParticleNet@HLT.

L'analogie :

• L'ancien système (DeepJet) regardait les gens de loin et essayait de deviner s'ils étaient importants en regardant juste leur taille ou leur couleur de veste.
• Le nouveau système (ParticleNet) est comme un scanner ultra-intelligent. Au lieu de regarder l'individu, il analyse la structure même de ce qu'ils transportent. Il regarde comment les particules à l'intérieur d'un jet "dansent" ensemble. C'est une intelligence artificielle qui comprend les relations complexes entre les petits éléments, un peu comme un expert qui reconnaîtrait un vrai diamant non pas à sa brillance, mais à la structure atomique de sa pierre.

3. Les résultats : Une efficacité redoutable

Le rapport montre que ce nouveau "cerveau" est une réussite totale :

• Il est plus malin : Il attrape beaucoup plus de "vrais" b-jets (environ 10 à 15 % de plus) sans se tromper plus souvent.
• Il est stable : Que ce soit en 2022, 2023 ou 2024, il travaille de manière constante, comme un athlète qui garde la même forme toute l'année.
• Il ouvre des portes : Grâce à lui, on peut désormais chercher des phénomènes très rares, comme la production de paires de bosons de Higgs, qui sont les "Saints Graal" de la physique actuelle.

En résumé

Ce papier explique comment CMS a installé un nouveau système de tri ultra-perfectionné, basé sur une intelligence artificielle de pointe. Ce système permet de filtrer le chaos des collisions de particules pour ne garder que les événements les plus précieux, nous permettant ainsi de mieux comprendre les briques fondamentales de notre réalité.

La suite ? Les scientifiques préparent déjà des versions encore plus puissantes (basées sur des "Transformers", la même technologie que ChatGPT) pour être prêts pour les prochaines grandes étapes de l'exploration de l'infiniment petit !

Résumé technique

Résumé Technique : Optimisation des performances des jets b dans le HLT de CMS avec les données du Run-3

Problématique
Dans l'expérience CMS au LHC, l'identification en temps réel (au niveau du trigger) des jets issus de quarks lourds (b-jets et c-jets) est cruciale. Cette capacité est particulièrement vitale pour les processus hadroniques complets où l'on ne dispose pas d'autres signatures distinctives (comme des leptons de haute impulsion transverse ou une énergie transverse manquante importante). L'enjeu est de sélectionner efficacement ces événements pour des mesures du Modèle Standard (ex: $t\bar{t}H$) ou des recherches de nouvelle physique (ex: production de paires de bosons de Higgs $HH \to b\bar{b}b\bar{b}$), tout en maintenant un taux de sortie gérable (quelques kHz) malgré l'augmentation de la luminosité et les conditions de fonctionnement du détecteur en Run-3.

Méthodologie
L'étude porte sur l'évolution du système de High-Level Trigger (HLT) de CMS, passant des anciens algorithmes (DeepCSV et DeepJet) à une nouvelle approche basée sur l'apprentissage profond : ParticleNet@HLT.

1. Algorithme ParticleNet@HLT : Contrairement aux réseaux de neurones classiques, ParticleNet est un réseau de neurones convolutifs sur graphes (Dynamic Graph Convolutional Neural Network). Il traite un jet comme un ensemble non ordonné de candidats Particle-Flow (PF) et de sommets secondaires (SV). Cette architecture permet de capturer les corrélations locales et globales de manière invariante par permutation.
2. Entraînement et Variables : Le modèle utilise des paramètres de trajectoires (impact parameters), des observables de distance de vol, la cinématique des sommets secondaires et la composition du jet. Il est entraîné sur des simulations de jets AK4 ($R=0.4$) avec des seuils de $p_T > 30$ GeV.
3. Points de fonctionnement (Working Points - WP) : Trois seuils ont été définis (Loose, Medium, Tight) pour cibler des taux de mauvaise identification (mistag) de 10 %, 1 % et 0,1 % pour les jets de quarks légers et de charm.
4. Évaluation : Les performances ont été validées sur des données de collision proton-proton collectées entre 2022 et 2024, en utilisant des régions de contrôle enrichies en $t\bar{t}$ (couplage électron-muon) pour mesurer l'efficacité du trigger.

Contributions Clés

• Transition technologique : Le passage réussi de l'architecture CNN/RNN (DeepJet) à une architecture de graphe (ParticleNet) optimisée spécifiquement pour le HLT.
• Déploiement et Robustesse : La mise en œuvre de l'algorithme dans le menu de déclenchement en temps réel et son réentraînement régulier pour s'adapter aux mises à jour des données de collision.
• Nouveaux triggers : L'introduction de triggers dédiés pour les jets de charm ($c$) et les jets $\tau$ à partir de 2023, rendus possibles par les gains de performance de ParticleNet.

Résultats

• Gain d'efficacité : ParticleNet@HLT offre un gain d'efficacité de 10 à 15 % par rapport à DeepJet à taux de mistag constant.
• Stabilité : Les études sur les données de 2024 montrent une performance stable à travers les différentes périodes de prise de données (RunC à RunI).
• Performance du Trigger $HH \to 4b$ : L'optimisation des points de fonctionnement et le réentraînement ont permis d'améliorer l'efficacité du trigger $4j2b$ d'environ 6 % en 2024 par rapport à 2023, avec une augmentation de taux très faible (environ 50 Hz).

Signification et Perspectives
Ces travaux démontrent que l'utilisation de réseaux de neurones sur graphes est une solution performante pour surmonter les contraintes de taux et de complexité du Run-3. Cette optimisation est fondamentale pour débloquer l'accès aux états finaux hadroniques, essentiels pour la physique du boson de Higgs. Pour l'avenir (Phase-2 de l'HL-LHC), l'étude suggère que l'adoption d'architectures basées sur les Transformers sera la prochaine étape pour gérer l'augmentation massive des taux de données.