High-level hadronic tau lepton triggers of the CMS experiment in proton-proton collisions at $\sqrt{s}$ = 13.6 TeV

Cet article présente les développements et les performances des algorithmes d'apprentissage automatique intégrés au déclencheur de haut niveau du détecteur CMS pour l'identification efficace des désintégrations hadroniques des leptons tau, basés sur des données de collisions proton-proton à 13,6 TeV collectées entre 2022 et 2023.

L'essentiel

🏭 Le CMS : Une usine à particules sous haute surveillance

Imaginez le CMS (Compact Muon Solenoid) au CERN comme une immense usine de détection de particules. Chaque seconde, des milliards de collisions se produisent entre des protons, un peu comme si vous lanciez deux montres-bracelets l'une contre l'autre à une vitesse folle pour voir comment elles se brisent.

Le problème ? L'usine produit une telle quantité de "débris" (données) que si on essayait de tout enregistrer, on remplirait des millions de disques durs chaque seconde. C'est impossible. Il faut donc un système de tri ultra-rapide pour ne garder que les collisions intéressantes. C'est le rôle du déclencheur (ou trigger).

🚦 Le Déclencheur : Le garde-chiourme intelligent

Ce système fonctionne en deux étapes, comme un contrôle de sécurité dans un aéroport très fréquenté :

1. Niveau 1 (L1) : C'est le premier garde, très rapide mais un peu bête. Il regarde les gros signaux (comme une grosse explosion d'énergie) et rejette 99 % des événements en quelques microsecondes.
2. Niveau 2 (HLT - High Level Trigger) : C'est le deuxième garde, beaucoup plus intelligent et lent, mais capable de réfléchir. Il examine les événements restants avec plus de détails pour décider lesquels sont vraiment intéressants.

🎯 Le défi : Trouver le "Tau" dans la foule

Dans ce papier, les chercheurs parlent d'une particule très spéciale : le lepton Tau (τ).

• L'analogie : Imaginez que le Tau est un camionneur qui transporte des marchandises (d'autres particules). Mais ce camionneur est très rapide et se transforme en une petite foule de piétons (des hadrons) dès qu'il arrive.
• Le problème : Dans l'usine, il y a des millions de "piétons" qui ne sont pas des camions (ce sont des jets de quarks ou de gluons, le bruit de fond). Distinguer un vrai camionneur (Tau) d'une simple foule de piétons (bruit de fond) est extrêmement difficile, surtout quand il y a beaucoup de monde (beaucoup de collisions en même temps).

🤖 La Révolution : L'arrivée de l'Intelligence Artificielle

Jusqu'à présent, pour trier ces particules, les gardes du niveau 2 utilisaient des règles fixes et rigides (comme : "Si la taille est inférieure à X et l'énergie supérieure à Y, alors c'est un Tau"). C'était comme essayer de reconnaître un ami dans une foule en se basant uniquement sur sa taille et sa couleur de chemise. Ça marche parfois, mais on rate beaucoup de gens ou on se trompe.

Dans ce papier, le CMS a installé des "cerveaux artificiels" (des algorithmes d'apprentissage automatique ou Machine Learning) dans ce niveau 2.

Voici comment ils fonctionnent avec deux nouveaux outils :

1. L2TAUNNTAG : Le détective rapide

C'est un réseau de neurones (une sorte de cerveau numérique) placé à l'étape intermédiaire.

• L'analogie : Imaginez un détective qui ne regarde pas seulement la taille du suspect, mais aussi la façon dont il marche, la pression de ses pas, et comment il interagit avec les gens autour de lui.
• Son rôle : Il analyse des milliers de détails (l'énergie dans les détecteurs, les traces laissées par les particules) pour dire : "Ceci ressemble beaucoup plus à un vrai Tau qu'à un bruit de fond".
• Le résultat : Il rejette beaucoup plus de faux positifs (les piétons qui ressemblaient à des camions) tout en gardant presque tous les vrais camions. Cela permet de réduire la quantité de données à traiter sans en perdre d'importantes.

2. DEEPTAU : L'expert final

C'est un autre réseau de neurones, encore plus sophistiqué, utilisé à la toute fin du tri.

• L'analogie : C'est comme un expert en art qui examine une peinture. Il ne regarde pas juste les couleurs, mais la texture, la touche du pinceau, et l'histoire derrière l'œuvre pour dire : "C'est un vrai Picasso, pas une copie".
• Son rôle : Il compare le "Tau" suspect avec des millions d'exemples appris (des vrais Taus, des électrons, des muons, et des jets). Il calcule une probabilité : "À 99 %, c'est un vrai Tau".

📈 Les Résultats : Plus efficace, moins cher

Grâce à ces nouvelles "intelligences artificielles" intégrées dans le système de déclenchement :

• Efficacité accrue : Le CMS capture maintenant beaucoup plus de vrais leptons Tau qu'avant (comme si le garde avait amélioré sa vue).
• Coût stable : Malgré cette intelligence supplémentaire, le système ne consomme pas plus de temps de calcul ni n'envoie plus de données inutiles. C'est comme si on avait remplacé un garde fatigué par un robot qui travaille aussi vite mais avec une précision chirurgicale.
• Données réelles : Les chercheurs ont testé cela sur les données de 2022-2023 (l'énergie de 13,6 TeV) et ont confirmé que ça marche parfaitement.

🚀 Pourquoi c'est important ?

Pourquoi se donner tant de mal pour trouver des Taus ?

• Le Higgs : Le boson de Higgs (la particule qui donne leur masse aux autres) se désintègre souvent en deux Taus. Mieux on les voit, mieux on comprend le Higgs.
• Nouvelle Physique : Si on trouve des Taus qui se comportent bizarrement, cela pourrait être la première preuve d'une physique au-delà de ce que nous connaissons (comme des dimensions cachées ou de nouvelles particules).

En résumé : Ce papier raconte comment le CMS a mis à jour son système de sécurité en y intégrant de l'intelligence artificielle. Résultat : il est devenu beaucoup plus doué pour repérer les particules rares et précieuses (les Taus) dans la tempête de données, ouvrant la voie à de nouvelles découvertes sur l'univers.

Résumé technique

1. Problématique et Contexte

Le détecteur CMS au LHC (Grand collisionneur de hadrons) doit filtrer des milliards de collisions proton-proton pour ne conserver que les événements physiquement intéressants. Les leptons tau ($\tau$), en particulier ceux qui se désintègrent hadroniquement ($\tau_h$), sont cruciaux pour les mesures de précision du boson de Higgs ($H \to \tau\tau$) et les recherches de nouvelle physique (BSM).

Cependant, l'identification des $\tau_h$ au niveau du déclenchement (trigger) est un défi majeur pour deux raisons principales :

• La complexité de la signature : Les $\tau_h$ se désintègrent en un neutrino et des hadrons (souvent des pions), produisant des jets étroits qui sont difficiles à distinguer des jets QCD (quarks/gluons) beaucoup plus nombreux.
• L'environnement de haute luminosité : Avec l'amélioration du LHC, le nombre d'interactions par croisement de paquets (pile-up) a augmenté (moyenne de 46 à 52 en 2022-2023), augmentant le bruit de fond et la charge de calcul.

Le système de déclenchement de niveau 2 (HLT) doit donc rejeter efficacement les jets QCD tout en maintenant une haute efficacité pour les vrais $\tau_h$, le tout avec des contraintes de temps de calcul strictes.

2. Méthodologie et Développements

Pour répondre à ces défis, l'expérience CMS a intégré pour la première fois des algorithmes d'apprentissage automatique (Machine Learning - ML) dans le flux de travail du HLT pour les candidats $\tau_h$. La méthodologie repose sur deux algorithmes clés déployés en 2022-2023 :

A. L'algorithme L2TAUNNTAG (Niveau L2)

• Remplacement : Il remplace les séquences de coupes (cut-based) L2 et L2.5 utilisées lors du Run 2.
• Architecture : Il s'agit d'un réseau de neurones convolutifs (CNN) conçu pour traiter des données structurées dans le plan $(\eta, \phi)$.
• Entrées : Il utilise des informations à plusieurs niveaux de granularité :
  • Niveau global : Nombre de vertex reconstruits (via PATATRACKS sur GPU).
  • Niveau objet : Propriétés du candidat $\tau_h$ du niveau L1 ($p_T$, $\eta$, isolement).
  • Niveau détecteur : Dépôts d'énergie dans les calorimètres ECAL et HCAL (multiplicité, distances, $\chi^2$ de cohérence).
  • Traces : Informations de traces issues du détecteur à pixels accélérées par GPU (PATATRACK), incluant l'impulsion scalaire, la charge et les paramètres d'impact.
• Entraînement : Réalisé sur des échantillons Monte Carlo enrichis en désintégrations réelles de tau (DY, $t\bar{t}$, W+jet) et en jets QCD.

B. L'algorithme DEEPTAU (Niveau L3)

• Rôle : Identification finale des candidats $\tau_h$ après la reconstruction complète des objets physiques (Particle Flow).
• Adaptation : C'est une version simplifiée de l'algorithme DEEPTAU utilisé en mode "offline".
• Simplifications pour le HLT : Pour respecter les contraintes de temps, les discriminants contre les électrons et les muons sont désactivés (car les leptons ne sont pas un bruit de fond dominant pour les voies $\tau_h$ pures), et certaines variables de vertex primaire sont omises.
• Architecture : Utilise trois sous-réseaux traitant séparément les variables de haut niveau, les cellules de la grille interne (signal) et externe (isolement), fusionnés ensuite dans des couches denses.

C. Reconstruction HPS (Hadron-Plus-Strips)

Les algorithmes ML s'appuient sur la reconstruction HPS, qui identifie les "bandes" (strips) de photons issus de la désintégration $\pi^0 \to \gamma\gamma$ (converties ou non) et les hadrons chargés, permettant de reconstruire les modes de désintégration à 1, 3 ou 5 brins.

3. Contributions Clés

• Première intégration du ML dans le HLT pour les taus : Ce papier documente le déploiement opérationnel de L2TAUNNTAG et DEEPTAU dans le menu de déclenchement de CMS pour le Run 3.
• Optimisation des ressources : Utilisation de GPU pour la reconstruction de traces (PATATRACK) et les réseaux de neurones, permettant de traiter plus d'informations sans augmenter le taux de données stockées.
• Stratégie de déclenchement : Définition de chemins (paths) spécifiques pour $\tau_h$ simple, di-$\tau_h$, et les déclencheurs croisés ($e\tau_h$, $\mu\tau_h$) avec des seuils de $p_T$ optimisés (ex: 180 GeV pour le $\tau_h$ simple, 35 GeV pour le di-$\tau_h$).

4. Résultats de Performance

Les performances ont été évaluées sur les données de 2022-2023 (luminosité intégrée de 62 fb$^{-1}$) et comparées aux simulations et aux méthodes du Run 2.

• Efficacité vs Taux d'événements :
  • L2TAUNNTAG : Dans le chemin di-$\tau_h$, il réduit le taux d'événements vers l'étape suivante tout en améliorant l'efficacité par rapport à l'approche par coupes du Run 2. Pour le chemin $\tau_h$ simple, il réduit le temps de traitement d'environ 40 % tout en maintenant le taux d'événements constant.
  • Gain d'efficacité : L'efficacité absolue (L1+L2) pour les vrais taus hadroniques est supérieure à celle du Run 2 sur la majeure partie du spectre en $p_T$, en particulier dans la région centrale ($|\eta| < 1.5$).
• Robustesse au Pile-up : Les efficacités mesurées sont stables en fonction du nombre de vertex primaires (NPV), démontrant que les algorithmes ML gèrent bien les interactions parasites.
• Accord Données/Simulation : Les facteurs d'échelle (scale factors) dérivés pour corriger la simulation par rapport aux données sont proches de l'unité (après le seuil de déclenchement), indiquant une bonne modélisation des réponses du détecteur et des algorithmes.
• Taux de déclenchement : Les taux observés en 2022-2023 (ex: ~55 Hz pour le chemin di-$\tau_h$) sont compatibles avec les projections et les valeurs du Run 2, malgré une luminosité instantanée plus élevée.

5. Signification et Impact

Ces développements marquent une étape cruciale pour la physique du LHC :

1. Préservation de la physique : Ils permettent de capturer plus de désintégrations réelles de leptons tau hadroniques sans augmenter le coût computationnel ou le volume de données stockées.
2. Précision des mesures : L'amélioration de l'efficacité de déclenchement profite directement aux analyses de précision du boson de Higgs (notamment $H \to \tau\tau$) et aux recherches de particules supersymétriques ou de bosons $Z'$ lourds.
3. Évolutivité : La réussite de l'intégration de réseaux de neurones complexes dans le HLT en temps réel valide l'approche de l'utilisation du ML et du calcul hétérogène (CPU/GPU) pour les futures phases de haute luminosité du LHC (HL-LHC).

En résumé, l'article démontre que le CMS a réussi à moderniser son système de déclenchement pour les taus hadroniques en remplaçant les coupes simples par des algorithmes d'apprentissage profond, offrant un meilleur rapport efficacité/taux de rejet dans un environnement de collision de plus en plus dense.