⚛️ phenomenology

Boosted top tagging via lepton-in-jet topology for vector-like quark searches in FCC-hh

Cet article présente un cadre basé sur l'apprentissage automatique pour identifier les quarks top hautement boostés, à désintégration leptonique, au FCC-hh à 100 TeV, démontrant que les identificateurs basés sur des variables et ceux basés sur des constituants atteignent des performances comparables et permettant une recherche de quarks vectoriels $B'$ avec une portée de découverte allant jusqu'à 10 TeV.

Auteurs originaux : Sanchari Bhattacharyya, Biplob Bhattacherjee, Kirana K. K., Swagata Mukherjee

Publié 2026-10-06

📖 4 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Sanchari Bhattacharyya, Biplob Bhattacherjee, Kirana K. K., Swagata Mukherjee

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

L'univers est construit à partir d'un petit ensemble de particules fondamentales qui interagissent par le biais de forces, un cadre connu sous le nom de Modèle Standard. Ce modèle a connu un succès incroyable, prédisant le comportement de la matière avec une précision extrême et confirmant l'existence du boson de Higgs. Pourtant, il laisse de nombreuses questions sans réponse, telles que la nature de la matière noire et la raison pour laquelle les neutrinos possèdent une masse. Pour trouver des réponses, les physiciens recherchent de nouvelles particules plus lourdes qui ne s'inscrivent pas dans le modèle actuel. Ces particules hypothétiques, si elles existent, seraient trop massives pour être créées par l'accélérateur de particules le plus puissant d'aujourd'hui. Pour les voir, les scientifiques prévoient une machine future appelée le Futur Collisionneur Circulaire (Future Circular Collider), qui brisera des protons les uns contre les autres à des énergies bien au-delà de ce qui est actuellement possible.

Lorsque ces nouvelles particules lourdes sont créées lors d'une telle collision, elles sont censées se désintégrer presque instantanément en particules plus légères et connues. Un candidat prometteur pour une nouvelle particule lourde est un quark de type vecteur, un type de matière qui se comporte différemment des quarks qui composent notre monde quotidien. Si une telle particule existe, elle pourrait se désintégrer en un quark top et un boson W. Le quark top est la particule la plus lourde connue, et lorsqu'il est produit avec une énergie immense, il se déplace si vite que ses produits de désintégration sont compressés en un flux unique et étroit. Cela crée un défi unique : le quark top se désintègre en un quark bottom, un neutrino et une particule chargée comme un électron ou un muon. Parce que le quark top se déplace si vite, la particule chargée se retrouve piégée à l'intérieur du flux de débris, ce qui la rend difficile à distinguer du bruit de fond de la collision.

Une équipe de chercheurs a développé une nouvelle méthode pour identifier ces quarks top spécifiques à haute vitesse en utilisant l'apprentissage automatique. Ils se sont concentrés sur un scénario où un quark lourd de type vecteur se désintègre en un quark top et un boson W, les deux particules produisant finalement des particules chargées. Dans cet événement, une particule chargée provient du boson W et est isolée, tandis que l'autre provient du quark top et est enfouie à l'intérieur d'un jet de particules. Les chercheurs ont entraîné deux types différents d'intelligence artificielle pour repérer cette particule enfouie. Un système examinait une liste de propriétés calculées, telles que l'énergie et la position des particules, tandis que l'autre système examinait les particules individuelles elles-mêmes, tout comme un humain regarderait les détails d'une photographie. Ils ont testé ces systèmes contre divers types de bruit de fond, y compris des jets composés de quarks bottom et d'autres particules lourdes qui contiennent également des particules chargées.

Les résultats ont montré que les deux approches d'apprentissage automatique étaient très efficaces pour trouver les quarks top enfouis. Le système qui examinait les particules individuelles était légèrement plus performant à basse énergie, tandis que le système utilisant les propriétés calculées était tout aussi efficace aux énergies les plus élevées. Cela est significatif car cela prouve que même lorsque les particules sont si compressées qu'elles sont difficiles à séparer, le motif global d'énergie et de mouvement reste la clé de l'identification. Les chercheurs ont ensuite utilisé ces outils pour simuler une recherche du quark de type vecteur lourd au futur collisionneur. Ils ont découvert qu'avec suffisamment de données, le collisionneur pourrait découvrir cette nouvelle particule si elle pèse jusqu'à sept mille milliards d'électron-volts, une masse bien au-delà de ce que les machines actuelles peuvent atteindre. Si la particule est légèrement plus large ou moins stable, la recherche pourrait s'étendre à dix mille milliards d'électron-volts.

L'étude a également abordé une préoccupation pratique pour les expériences futures : la présence de « pile-up » (empilement), où de nombreuses collisions supplémentaires se produisent en même temps et créent un désordre de particules supplémentaires. Les chercheurs ont testé si leur méthode fonctionnerait toujours s'ils ignoraient les particules plus douces et plus lentes que le pile-up a tendance à produire. Ils ont constaté que le pouvoir d'identification restait fort même en se concentrant uniquement sur les traces les plus énergétiques. Cela suggère que la méthode est assez robuste pour gérer l'environnement chaotique d'un futur collisionneur à haute énergie. En combinant ces outils de marquage avancés avec une analyse plus large de l'ensemble de l'événement de collision, l'équipe a démontré une voie claire vers la découverte d'une nouvelle physique. Leur travail fournit une stratégie concrète sur la manière dont les scientifiques pourraient enfin voir ces particules lourdes et insaisissables lorsque la prochaine génération de collisionneurs sera opérationnelle.

Résumé Technique : Étiquetage de Tops Boostés via la Topologie Lepton-in-Jet pour la Recherche de Quarks de Type Vecteur dans l'FCC-hh

Énoncé du Problème
La recherche de physique au-delà du Modèle Standard (BSM), spécifiquement des quarks de type vecteur (VLQ), à l'échelle du Futur Collisionneur Circulaire (FCC-hh) en mode hadron-hadron fonctionnant à $\sqrt{s} = 100$ TeV, fait face à un défi unique : le régime cinématique extrême. Dans ce régime, lorsque des résonances lourdes (par exemple, un VLQ de type bottom, $B'$ ) se désintègrent en quarks top ( $B' \to tW$ ), les quarks top résultants sont fortement boostés. Dans ce régime, les produits de désintégration du quark top ( $t \to b\ell\nu$ ) deviennent hautement collinéés, fusionnant souvent en un seul jet. Plus précisément, le lepton chargé issu de la désintégration du top est enchâssé dans le cône du jet du top, échouant aux critères d'isolement standards. Cette topologie « lepton-in-jet » complique l'identification des jets de top leptoniques contre les bruits de fond tels que les jets de top hadroniques, les jets à saveur lourde ( $b$ et $c$ ) contenant des leptons non isolés issus de désintégrations semi-leptoniques, et les jets de saveur légère. De plus, le neutrino échappe à la détection, limitant la reconstruction cinématique. L'article étudie si les architectures d'apprentissage automatique (ML) basées sur les constituants conservent leur pouvoir de discrimination dans ce régime ultra-boosté par rapport aux approches traditionnelles basées sur des variables.

Méthodologie
L'étude emploie un cadre de ML à deux niveaux pour identifier les jets de top leptoniques boostés et effectuer une recherche complète au niveau de l'événement pour la production simple de $B'$ ( $pp \to B'j \to tWj$ ).

Cadre Théorique et Référence :
- L'analyse se concentre sur un VLQ de type bottom singulet $SU(2)$ ( $B'$ ) avec des nombres quantiques $(3, 1, -1/3)$ .
- Le modèle est défini par deux paramètres libres : la force de couplage $\tilde{g}$ et le paramètre de mélange $R_L$ (régissant le couplage avec les quarks de 1ère vs 3ème génération).
- Un point de référence est sélectionné ( $\tilde{g}=0,07, R_L=1,0$ ) pour satisfaire la contrainte de largeur $\Gamma_{B'}/m_{B'} < 25\%$ tout en maximisant la section efficace de production simple.
- Les événements de signal sont générés avec MadGraph5_aMC@NLO et PYTHIA 8, interfacés avec Delphes 3.5.0 utilisant une carte de détecteur FCC-hh.
Étiqueteur de Jet de Top Leptonique (Niveau Objet) :
- Définition du Signal : Jets contenant un lepton de haute $p_T$ non isolé ( $p_T > 100$ GeV) provenant de $t \to b\ell\nu$ .
- Bruits de Fond : Jets de top hadroniques ( $t_{had}$ ), jets $b$ et jets $c$ .
- Approches : Deux classificateurs complémentaires sont entraînés séparément dans sept bacs de $p_T$ $p_{T}$ de lepton (0,1 TeV à $>3$ $> 3$ TeV) :
  - DNN basé sur des variables : Utilise un ensemble d'observables de haut niveau motivées par la physique, incluant la cinématique des leptons, des variables basées sur les traces (traces déplacées, paramètres d'impact), des variables d'isolement basées sur les tours (towers) et la sous-structure de jet (N-subjettiness, masse du jet).
  - Transformer de Particules Constituant (ParT) : Opère directement sur les constituants individuels du jet (lepton, traces, tours du calorimètre) en utilisant une architecture de transformer avec des mécanismes d'auto-attention pour apprendre les corrélations entre particules.
- Entraînement : Les étiqueteurs distinguent la classe de signal ( $t_{lep}$ ) des trois classes de bruit de fond.
Analyse au Niveau de l'Événement :
- Un second DNN est employé pour la discrimination signal-bruit de fond au niveau de l'événement.
- Caractéristiques d'Entrée : Variables cinématiques globales ( $H_T$ , $E_T^{miss}$ , masse invariante dilepton), cinématique spécifique au lepton, et les scores de sortie des étiqueteurs de jets au niveau de l'objet.
- Topologie : Les événements sont sélectionnés avec exactement un lepton isolé (de $W$ ) et un lepton non isolé (de $t$ ), plus une énergie transverse manquante significative.
- Bruits de Fond : Processus du Modèle Standard tels que $t\bar{t}$ , $tW$ , $VV$ , $W$ +jet, et la production de saveur lourde.

Principales Contributions

Validation du ML basé sur les Constituants dans les Régimes Ultra-Boostés : L'article démontre que les architectures basées sur les constituants (ParT) restent hautement efficaces même lorsque les produits de désintégration sont collinéés, atteignant des performances comparables ou supérieures aux DNN basés sur des variables ingénierées.
Ensemble de Caractéristiques Complet : Le développement d'un ensemble spécifique de variables (incluant les traces déplacées et l'isolement des tours) adapté à la signature « lepton-in-jet », qui est distincte de l'étiquetage de top standard.
Tests de Robustesse : L'étude inclut des analyses de sensibilité concernant l'activité des traces douces (simulant les effets de pile-up) et des comparaisons avec des réseaux de neurones sur graphes (GNN) restreints aux seules entrées de traces.
Application à la Détection d'Anomalies : Les auteurs exploreent l'utilisation des représentations pré-entraînées de ParT dans un cadre DeepSVDD pour la détection d'anomalies à classe unique, montrant un potentiel pour identifier des topologies de jet inhabituelles sans entraînement explicite sur le bruit de fond.

Résultats

Performance de l'Étiqueteur de Jet :
- Le DNN et le ParT atteignent tous deux des efficacités d'étiquetage élevées pour les tops leptoniques (93–97 %).
- Le ParT surpasse généralement le DNN aux $p_T$ faibles et intermédiaires (AUC 0,994–0,997 contre 0,981–0,996).
- À très haute $p_T$ ( $>2$ TeV), les taux de faux positifs (mistag rates) du DNN pour les bruits de fond deviennent légèrement inférieurs à ceux du ParT, suggérant que les observables ingénierées conservent un pouvoir significatif dans la limite ultra-boostée où la résolution des constituants est difficile.
- Dans les comparaisons de traces uniquement, le ParT (AUC 0,981) surpasse significativement le GNN (0,964) et le DNN (0,942), soulignant la valeur des mécanismes d'attention pour capturer les corrélations de traces.
Sensibilité au Niveau de l'Événement :
- Le DNN au niveau de l'événement atteint un AUC de 0,994 pour distinguer le signal $B'$ ( $m_{B'}=5$ TeV) des bruits de fond du SM.
- L'analyse suppose une luminosité intégrée de 30 ab $^{-1}$ .
- Portée de Découverte :
  - Sous la contrainte de largeur $\Gamma_{B'}/m_{B'} < 25\%$ , une découverte à $5\sigma$ est possible pour des masses de $B'$ allant jusqu'à ~7 TeV (même avec une incertitude systématique de 10 % sur le bruit de fond).
  - En relaxant la contrainte de largeur à $\Gamma_{B'}/m_{B'} \lesssim 50\%$ , la portée de découverte s'étend à ~10 TeV.
  - À $m_{B'} = 10$ TeV, la section efficace minimale requise pour une découverte à $5\sigma$ est de 0,054 fb (statistiques uniquement) et 0,28 fb (avec 10 % de systématiques).

Signification et Revendications
L'article affirme que le cadre proposé fournit une stratégie réaliste et efficace pour découvrir des quarks de type vecteur multi-TeV à l'FCC-hh. En identifiant avec succès la topologie spécifique « lepton-in-jet », les auteurs comblent le fossé entre les techniques d'étiquetage de top standard et la cinématique extrême des futurs collisionneurs. Le travail souligne que, bien que le ML basé sur les constituants (ParT) offre des performances supérieures pour capturer des corrélations complexes, les approches basées sur des variables motivées par la physique restent robustes et compétitives, particulièrement aux échelles d'énergie les plus hautes. L'intégration de l'étiquetage au niveau de l'objet avec la classification au niveau de l'événement permet de supprimer les bruits de fond dominants du SM (comme $t\bar{t}$ et $tW$ ) à un niveau où les résonances lourdes peuvent être découvertes, même en présence d'incertitudes systématiques. L'étude met également en évidence l'utilité de ces outils de ML pour la détection d'anomalies, offrant une voie moins dépendante du modèle pour la recherche de nouvelle physique.

Articles similaires