Calibration of electromagnetic shower features in the CMS calorimeter with machine-learning techniques

Dans le monde de la physique des hautes énergies, les scientifiques ne se contentent pas d'observer les particules ; ils les construisent, du moins dans leur esprit. Pour comprendre ce qui se passe lorsque des protons s'entrechoquent à une vitesse proche de celle de la lumière, les chercheurs s'appuient sur de vastes simulations informatiques. Ces modèles numériques agissent comme un miroir de la réalité, prédisant comment les particules devraient se comporter, comment elles devraient se disperser et comment elles devraient laisser leur empreinte sur un détecteur. Si la simulation correspond aux données réelles collectées par de gigantesques machines, les scientifiques peuvent alors faire confiance au modèle pour révéler les secrets de l'univers. Mais si la simulation est légèrement erronée — si elle représente mal la façon dont une particule génère une cascade d'énergie ou interagit avec le matériau du détecteur — ces petites erreurs peuvent se transformer en de grandes fautes, cachant de nouvelles découvertes ou en créant de fausses. L'objectif est de toujours rendre le miroir numérique aussi parfait que possible, afin que lorsqu'un scientifique voit un signal dans les données, il sache qu'il est réel et non simplement un bug dans le code.

C'est le défi auquel est confrontée la collaboration CMS, une équipe de physiciens travaillant avec le détecteur Compact Muon Solenoid au CERN. Dans une étude récente, ils ont abordé un problème persistant : leurs simulations informatiques de cascades électromagnétiques — des cascades d'énergie produites par des électrons et des photons — ne correspondaient pas parfaitement aux données réelles collectées lors des collisions proton-proton en 2022. Les écarts étaient subtils mais significatifs, particulièrement dans la forme des dépôts d'énergie et dans le degré d'isolement des particules par rapport à leur environnement. Pour corriger cela, l'équipe s'est tournée vers l'apprentissage automatique (machine learning), non pas pour remplacer leurs modèles physiques, mais pour apprendre aux simulations à ressembler davantage à la réalité. Ils ont développé deux méthodes distinctes pour recalibrer les événements numériques, entraînant efficacement l'ordinateur à corriger ses propres erreurs avant même que les données ne soient analysées.

Les chercheurs ont commencé par un échantillon d'événements propre et bien compris : la désintégration d'un boson Z en un électron et un positron. En sélectionnant ces événements spécifiques, ils ont pu isoler un flux pur de cascades électromagnétiques, exempt du bruit des autres interactions de particules. Ils ont ensuite comparé les caractéristiques de ces cascades dans leur simulation par rapport aux caractéristiques observées dans les données réelles collectées par le détecteur CMS. Les données provenaient de 26,7 femtobarns inverses de collisions à une énergie de centre de masse de 13,6 téra-électron-volts. La simulation, bien que globalement bonne, présentait des déviations dans la manière dont l'énergie se répartissait à travers les cristaux du détecteur et dans la quantité d'énergie qui fuyait vers les zones environnantes. Ces différences signifiaient que les algorithmes d'identification de particules de l'ordinateur, qui décident si un signal est un véritable électron ou un faux positif, recevaient des informations légèrement erronées.

Pour combler cet écart, l'équipe a appliqué deux techniques différentes d'apprentissage automatique. La première approche, appelée repondération (reweighting), consiste à attribuer un nouveau score d'importance à chaque événement simulé. Imaginez une salle de classe où l'enseignant demande aux élèves de lever la main s'ils correspondent à une certaine description. Si la simulation compte trop peu d'élèves correspondant à cette description par rapport à la classe réelle, l'enseignant dit à ces quelques élèves de compter pour deux ou trois personnes. De la même manière, le classificateur d'apprentissage automatique a appris à distinguer la simulation des données réelles. Il a ensuite calculé un ratio, disant effectivement à la simulation : « Cet événement ressemble un peu aux données réelles, donc compte-le davantage », ou « Cet événement est trop différent, donc compte-le moins ». Cette méthode ajustait la probabilité de chaque événement sans modifier l'événement lui-même, créant une correction continue qui pouvait être appliquée à travers un espace complexe et multidimensionnel de caractéristiques.

La seconde méthode, connue sous le nom de flux normalisant (normalizing flow), a suivi une voie plus directe. Au lieu de simplement changer l'importance d'un événement, cette technique modifie physiquement les valeurs des caractéristiques au sein de la simulation. Elle a appris une transformation mathématique capable de transformer la distribution des cascades simulées pour qu'elle corresponde à la distribution des cascades réelles. Si une cascade simulée était trop étroite, le flux l'étirait ; si elle était trop isolée, le flux la rapprochait de ses voisines. Ce processus était comparable au façonnage de l'argile : la matière restait la même, mais sa forme était ajustée pour correspondre à un moule. Crucialement, cette transformation a été apprise de manière conditionnelle aux propriétés cinématiques de l'événement, telles que le moment et la position de la particule, garantissant que la correction soit appliquée correctement, quel que soit l'endroit ou la vitesse de la particule.

Les deux méthodes ont été testées sur un ensemble de données distinct que les algorithmes n'avaient pas vus durant leur entraînement. Les résultats ont été frappants. Avant la correction, les scores d'identification de particules simulés présentaient des décalages nets avec les données réelles, particulièrement dans les queues de distribution où se produisent les événements rares. Après l'application des corrections par repondération ou par flux normalisant, l'accord entre la simulation et les données s'est considérablement amélioré. Les formes des distributions se sont alignées, et les écarts qui nécessitaient auparavant de larges marges de sécurité dans les mesures scientifiques ont été nettement réduits. Les chercheurs ont constaté que les deux techniques corrigeaient avec succès l'espace de caractéristiques de haute dimension, capturant non seulement des variables individuelles, mais aussi les corrélations complexes entre elles.

Cependant, les deux méthodes présentaient des forces et des limites différentes. La méthode de repondération était excellente pour préserver la structure globale de la simulation tout en ajustant les poids, mais elle pouvait parfois éprouver des difficultés dans les régions où la simulation et les données étaient très divergentes, entraînant de fortes corrections de poids qui réduisaient la puissance statistique de l'échantillon. Dans certains cas, l'équipe a dû exclure certaines caractéristiques de l'entraînement pour éviter ces fluctuations importantes. La méthode du flux normalisant, quant à elle, a été capable de gérer plus gracieusement les écarts importants en remodelant directement les données, mais elle exigeait que les caractéristiques corrigées soient réévaluées par l'algorithme d'identification de particules, ajoutant ainsi une étape supplémentaire au processus. De plus, alors que la méthode de repondération préservait naturellement les lois de la physique en laissant les valeurs des événements intactes, la méthode du flux normalisant devait être surveillée de près pour s'assurer qu'elle ne créait pas de configurations non physiques, bien que l'équipe ait jugé ce risque négligeable pour son application spécifique.

L'étude a démontré que ces techniques d'apprentissage automatique pouvaient être appliquées avec succès à des données de collision réelles, une étape importante par rapport aux tests précédents qui reposaient uniquement sur des pseudo-données simulées. En corrigeant la simulation pour qu'elle corresponde aux données, les chercheurs ont montré qu'ils pouvaient réduire les incertitudes systématiques qui affectent habituellement ces mesures. Cela signifie que les analyses futures, comme la recherche du boson de Higgs se désintégrant en deux photons, pourront être réalisées avec une plus grande précision. Ce travail a également souligné l'importance d'identifier les points de défaillance des simulations ; les corrections importantes requises par les algorithmes ont directement pointé vers des zones spécifiques de la modélisation du détecteur, telles que les seuils de bruit dans le calorimètre hadronique, que l'équipe a ensuite pu corriger pour les futures itérations de la simulation.

En fin de compte, cette recherche fournit un nouvel outil aux physiciens des particules. Elle montre que l'apprentissage automatique peut faire plus que simplement classifier des particules ; il peut agir comme un outil de calibration, apprenant aux simulations à être plus honnêtes sur la réalité qu'elles tentent de décrire. En offrant des corrections continues et non binaires à travers des espaces de haute dimension, ces méthodes permettent aux scientifiques de dépasser les simples ajustements par classes (bins) qui passent souvent à côté des nuances de données complexes. Le succès de ces techniques dans le détecteur CMS suggère qu'elles deviendront une partie standard de la chaîne d'analyse, aidant à affiner la recherche de la nouvelle physique et garantissant que les signaux trouvés par les scientifiques sont aussi clairs et fiables que possible. L'article conclut que, bien que ces méthodes soient puissantes, elles doivent être appliquées avec soin, en comprenant leurs limites spécifiques et la nature des données qu'elles corrigent, afin de garantir que le miroir numérique reflète l'univers avec la plus haute fidélité possible.