⚛️ high-energy experiments

Decorrelation of neural networks from particle lifetimes in the LHCb topological $b$ trigger

Cet article présente et évalue deux méthodes pour décorréler les scores des réseaux de neurones des durées de vie des hadrons $b$ dans le déclencheur topologique de LHCb, traitant ainsi les biais causés par des produits de désintégration mal associés dans des environnements à fort pileup afin d'assurer une sélection d'événements non biaisée pour les analyses de physique.

Auteurs originaux : Johannes Albrecht, Alessandro Bertolin, James Connaughton, Jonathan Davies, Blaise Delaney, Agnieszka Dziurda, Conor Fitzpatrick, Maciej Giza, Vava V. Gligorov, James A. Gooding, Nicole Schulte, Nicol

Publié 2026-07-27

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Johannes Albrecht, Alessandro Bertolin, James Connaughton, Jonathan Davies, Blaise Delaney, Agnieszka Dziurda, Conor Fitzpatrick, Maciej Giza, Vava V. Gligorov, James A. Gooding, Nicole Schulte, Nicole Skidmore, Mika Vesterinen, Mike Williams, Shunan Zhang, Valeriia Zhovkovska

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 une caméra géante à haute vitesse essayant de prendre une photo de l'explosion d'un feu d'artifice dans un stade bondé. La caméra est si rapide qu'elle peut figer l'instant précis où le feu d'artifice éclate, mais le stade est si rempli que des milliers d'autres feux d'artifice éclatent exactement au même moment. C'est le défi auquel fait face l'expérience LHCb au Grand Collisionneur de Hadrons (LHC). Les scientifiques utilisent cette machine pour étudier les particules de « beauté » (ou b-hadrons), qui sont des particules lourdes et instables qui se désintègrent, ou se brisent, très rapidement. Pour les trouver, le système informatique agit comme un videur super rapide dans une boîte de nuit, scannant des millions de collisions chaque seconde pour décider lesquelles sont assez intéressantes pour être sauvegardées pour plus tard.

Le problème est que ces particules de beauté ont une « personnalité » spécifique : elles parcourent une distance infime mais mesurable avant de se briser, créant un motif distinct de débris. L'ordinateur utilise un algorithme intelligent, un type d'intelligence artificielle appelé réseau de neurones, pour repérer ce motif. Cependant, dans la version actuelle, beaucoup plus mouvementée de l'expérience, le stade est si encombré que le videur s'y perd parfois. Il pourrait accidentellement mélanger les débris d'un feu d'artifice avec ceux d'un voisin, créant un faux motif qui ressemble à un feu d'artifice de longue durée de vie. Si l'ordinateur devient trop performant pour repérer ces faux, il pourrait commencer à ignorer les vrais feux d'artifice de longue durée de vie qu'il est censé trouver, ruinant ainsi la science. Cet article explore comment apprendre à l'ordinateur à ne pas commettre cette erreur sans perdre sa capacité à trouver les vrais feux d'artifice.

Le Videur Occupé et les Fausses Indices

L'expérience LHCb est conçue pour étudier les particules lourdes qui contiennent un quark de « beauté ». Ces particules sont spéciales car elles vivent juste assez longtemps pour parcourir environ un centimètre avant de se désintégrer. Cela crée une signature unique : un « sommet secondaire », ou un second point de rencontre pour les particules, qui est légèrement séparé de l'endroit où elles sont nées. Pour capturer ces événements, le système de déclenchement (trigger) de LHCb utilise un outil d'apprentissage automatique appelé réseau de neurones Lipschitz monotone (MLNN). Considérez ce réseau de neurones comme un détective hautement entraîné qui examine les indices (comme la distance parcourue par les particules et leur vitesse) et attribue un score à chaque événement. Si le score est suffisamment élevé, l'événement est sauvegardé.

Le détective est entraîné pour être « monotone », ce qui signifie que si une particule parcourt une plus grande distance ou possède plus de quantité de mouvement, le score doit augmenter. Cela est logique car les vraies particules de beauté parcourent généralement plus de distance que le bruit de fond. Cependant, l'expérience est devenue beaucoup plus dense récemment. Par le passé, il y avait environ une collision par instant (µ = 1,1), mais maintenant, il y a environ 5,3 collisions se produisant simultanément (µ = 5,3). C'est comme si le videur essayait de trier cinq fêtes différentes se déroulant dans la même pièce en même temps.

À cause de cette foule, le détective est parfois trompé. Il peut prendre une trace d'une collision et une trace d'une autre, les combiner, et créer une particule « composite » qui semble avoir parcouru une très longue distance. Il s'agit d'un « bruit de fond corrélé à la durée de vie ». C'est un faux indice qui ressemble exactement aux particules de beauté de longue durée de vie que les scientifiques veulent étudier. Le danger est que le réseau de neurones, voyant ces traces de longue distance, puisse apprendre à se méfier de toutes les traces de longue distance. Il pourrait commencer à pénaliser les vraies particules de longue durée de vie simplement parce qu'elles ressemblent un peu aux faux indices. Cela créerait un biais, rendant l'expérience moins sensible aux particules de longue durée de vie dont elle a précisément besoin.

Apprendre au Détective à Ignorer la Foule

Pour corriger cela, les auteurs du papier ont tenté de « décorréler » le réseau de neurones. En langage clair, ils voulaient apprendre à l'IA que son score ne doit pas dépendre de la durée de vie de la particule, surtout pour celles de longue durée de vie. Ils ont testé deux méthodes différentes pour ajouter une « pénalité » au processus d'entraînement de l'IA si celle-ci commençait à trop se soucier de la durée de vie.

La première méthode s'appelait DisCo (Corrélation de Distance). Imaginez cela comme un professeur strict qui crie sur l'élève chaque fois que sa note change en fonction de sa taille. Si l'IA donne un score plus élevé à une particule de longue durée de vie, la pénalité intervient pour lui dire : « Non, le score ne devrait pas changer simplement parce que la durée de vie a changé. »

La seconde méthode s'appelait MoDe (Décomposition de Moment). C'est un peu plus proche d'un coach flexible. Au lieu de simplement crier, le coach décompose la performance de l'élève en différentes formes (courbes mathématiques) et ne pénalise que les parties qui ne devraient pas être là. Cela permet à l'IA d'avoir un « déclenchement » net au début (pour rejeter les déchets évidents) mais la force à rester plate et constante pour les particules de longue durée de vie.

Les Résultats : Un Score Plus Plat et Plus Juste

L'équipe a entraîné leurs modèles d'IA en utilisant ces deux méthodes et les a testés sur des données simulées, en regardant spécifiquement leur capacité à trouver de vraies particules de beauté comme $B^+ \to J/\psi(\mu^+\mu^-)K^+$ et $B^0 \to D^-(K^+\pi^-\pi^-)\pi^+$ .

Ils ont constaté que les deux méthodes étaient utiles, mais qu'elles fonctionnaient différemment. La méthode DisCo a rendu l'IA moins exigeante pour les durées de vie intermédiaires, ce qui maintenait le score plat pour les longues durées de vie, mais cela a aussi légèrement réduit l'efficacité globale. La méthode MoDe, cependant, a été la grande gagnante. Elle a réussi à maintenir une efficacité élevée pour les particules de durée de vie intermédiaire tout en forçant le score à rester plat pour les particules de longue durée de vie.

Lorsqu'ils ont examiné les données pour les particules ayant des durées de vie supérieures à 4 picosecondes (une picoseconde est un millilliardième de seconde), la différence était claire. Sans aide, l'efficacité de l'IA chutait brutalement à mesure que la durée de vie augmentait, avec une pente d'environ -24,9. La méthode DisCo a amélioré cela à -12,9, mais la méthode MoDe avec une force de pénalité de $\lambda = 0,2$ a ramené la pente à presque zéro (-6,6 pour les candidats à 3 corps). Cela signifie que l'IA ne discriminait plus les particules de longue durée de vie qu'elle était censée trouver.

Conclusion

L'article conclut que les conditions denses du Run 3 du LHC ont créé un nouveau type de bruit de fond qui confond le système de déclenchement. En utilisant l'approche MoDe pour décorréler le réseau de neurones de la durée de vie des particules, l'expérience LHCb peut garantir que son « videur » reste équitable. Il continuera à laisser entrer les vraies particules de beauté de longue durée de vie sans être trompé par les fausses traces mélangées provenant du stade bondé. Cela garantit que les futures études scientifiques, qui reposent sur la mesure de la façon dont ces particules se désintègrent au fil du temps, ne seront pas biaisées par la propre confusion de l'ordinateur. Les auteurs suggèrent que cette méthode est une solution robuste pour garder les données propres et la physique précise.

Résumé technique : Décorrélation des réseaux de neurones vis-à-vis de la durée de vie des particules dans le déclencheur topologique $b$ de LHCb

Énoncé du problème
Le déclencheur topologique de la beauté (beauty, $b$ ) de l'expérience LHCb est un composant crucial d'apprentissage automatique (ML) conçu pour sélectionner les événements de collision contenant des hadrons $b$ , sur la base de leur topologie de désintégration distincte, spécifiquement leurs grandes durées de vie et leur impulsion transverse. Dans le Run 3 du Grand Collisionneur de Hadrons (LHC), le nombre moyen de collisions proton-proton visibles par passage de paquet (bunch crossing, $\mu$ ) est passé de 1,1 (Runs 1 et 2) à 5,3. Cet environnement de pile-up plus élevé introduit un mécanisme de fond spécifique : la mauvaise association des produits de désintégration provenant de différents vertex primaires (PV).

Lorsque des traces provenant de différents PV sont incorrectement combinées pour former un candidat vertex, le vertex secondaire (SV) résultant peut présenter des distances de vol et des durées de vie artificiellement grandes. Ce « fond corrélé à la durée de vie » crée un biais où les scores des réseaux de neurones (NN), qui sont entraînés pour identifier les topologies de désintégration $b$ , pénalisent par inadvertance les candidats ayant de grandes durées de vie réelles. Par conséquent, l'efficacité de sélection chute aux grandes durées de vie, introduisant un biais qui compromet les analyses de physique dépendantes du temps, lesquelles reposent sur une réponse non biaisée pour reconstruire avec précision la distribution de la durée de vie de désintégration du hadron $b$ .

Méthodologie
Pour remédier à cela, les auteurs ont implémenté deux approches distinctes pour décorréler les réseaux de neurones de Lipschitz monotone (MLNN) utilisés dans le déclencheur de la durée de vie ( $\tau$ ) du candidat aux grandes durées de vie. Les MLNN, qui sélectionnent les candidats à 2 et 3 corps, doivent être monotones par rapport à des caractéristiques telles que l'impulsion transverse ( $p_T$ ) et la qualité de l'impact paramètre ( $\chi^2_{IP}$ ), mais ils n'accèdent pas explicitement à la variable de durée de vie.

L'étude évalue deux termes de pénalité ajoutés à la fonction de perte d'entropie croisée binaire (BCE) lors de l'entraînement :

Corrélation de distance (DisCo) : Cette méthode ajoute un terme de pénalité basé sur la covariance de distance entre le score du NN ( $\hat{y}$ ) et la durée de vie ( $\tau$ ). La pénalité est normalisée par les auto-covariances du score et de la durée de vie, minimisant efficacement la corrélation de distance ($dCorr$) entre les deux variables.
Décomposition de moment (MoDe) : Cette approche décompose la fonction de répartition cumulative (CDF) des scores du NN, par classements de durée de vie, en polynômes de Legendre. La fonction de perte pénalise la différence entre la CDF réelle et la décomposition (utilisant spécifiquement un terme quadratique, $\ell=2$ ). Cela permet une dépendance quadratique contrôlée entre $\tau$ et $\hat{y}$ , imposant la monotonie aux grandes durées de vie tout en permettant la courbe de « montée en puissance » (turn-on) nécessaire aux petites durées de vie pour rejeter les fonds prompts.

Les modèles ont été entraînés sur des échantillons simulés de désintégrations $B^+ \to J/\psi(\mu^+\mu^-)K^+$ et $B^0 \to D^-(K^+\pi^-\pi^-)\pi^+$ avec des désintégrations, le fond étant modélisé via des simulations de biais minimum (minimum bias).

Contributions clés et résultats
L'article présente l'implémentation et l'évaluation de ces techniques de décorrélation au sein du cadre du déclencheur $b$ topologique de LHCb pour le Run 3.

Optimisation : La force de décorrélation optimale a été trouvée à $\lambda = 0,8$ pour l'approche DisCo et $\lambda = 0,2$ pour l'approche MoDe.
Performance d'efficacité : Les deux méthodes ont réussi à aplatir l'efficacité aux grandes durées de vie ( $\tau \gtrsim 5$ $τ ≳ 5$ ps), atténuant la chute d'efficacité observée dans les modèles non décorrelés.
- L'approche DisCo a obtenu une efficacité plus plate en réduisant l'efficacité aux durées de vie intermédiaires et en maintenant ce niveau bas aux grandes durées de vie.
- L'approche MoDe a amélioré l'efficacité aux grandes durées de vie tout en maintenant les performances aux durées de vie intermédiaires. Ceci est attribué au fait que la formulation MoDe ne pénalise pas la courbe de montée en puissance abrupte requise aux petites durées de vie.
Analyse quantitative : Des ajustements de régression linéaire par moindres carrés de l'efficacité des candidats $B^0$ pour $\tau > 4$ ps ont démontré que MoDe fournissait une réduction supérieure de la pente négative de la courbe d'efficacité. Pour les candidats à 3 corps, la pente de MoDe était presque cohérente avec zéro ( $-6,6 \pm 5,5$ ns $^{-1}$ ), comparée à la pente du modèle non décorrelé de $-22,2 \pm 2,8$ ns $^{-1}$ .

Signification
L'article conclut que l'approche MoDe est mieux adaptée pour atteindre la décorrélation de la durée de vie dans le déclencheur topologique $b$ de LHCb. En réussissant à atténuer le biais introduit par la mauvaise association due au pile-up sans compromettre significativement le pouvoir de classification global, ces méthodes garantissent que la réponse du déclencheur reste non biaisée par rapport à la durée de vie des particules. Cela est essentiel pour préserver la sensibilité des mesures dépendantes du temps dans l'environnement à haut pile-up de LHCb Run 3.

Le Videur Occupé et les Fausses Indices

Apprendre au Détective à Ignorer la Foule

Les Résultats : Un Score Plus Plat et Plus Juste

Conclusion

Articles similaires