⚛️ high-energy experiments

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

यह शोध पत्र 2022-2023 के दौरान एकत्रित 13.6 TeV प्रोटॉन-प्रोटॉन टकराव डेटा का उपयोग करते हुए, हैड्रोनिक रूप से क्षय होने वाले टौ लेप्टॉन (tau leptons) की पहचान करने के लिए CMS हाई-लेवल ट्रिगर में नए मशीन-लर्निंग-आधारित एल्गोरिदम के कार्यान्वयन और प्रदर्शन का सारांश प्रस्तुत करता है।

मूल लेखक: CMS Collaboration

प्रकाशित 2026-04-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: CMS Collaboration

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि CERN में लार्ज हैड्रोन कोलाइडर (LHC) दुनिया की सबसे अराजक, उच्च-गति वाली कण टकराव फैक्ट्री (particle collision factory) है। हर सेकंड, यह प्रोटॉन को आपस में अरबों बार टकराता है, जिससे नए कणों का एक बवंडर पैदा होता है। CMS डिटेक्टर एक विशाल, अत्यंत संवेदनशील कैमरे की तरह है जो इस विस्फोट की तस्वीर लेने की कोशिश कर रहा है।

लेकिन यहाँ समस्या यह है: कैमरा इतना तेज़ है और विस्फोट इतने बार होते हैं कि यदि इसने सब कुछ सहेजने (save करने) की कोशिश की, तो यह एक सेकंड के भीतर ही अपने मेमोरी कार्ड को भर देगा। इसे एक बाउंसर (जिसे "ट्रिगर सिस्टम" कहा जाता है) की आवश्यकता है जो दरवाजे पर खड़ा हो सके और माइक्रोसेकंड में यह तय कर सके कि कौन से टकराव सहेजने लायक हैं और कौन से केवल उबाऊ बैकग्राउंड शोर (background noise) हैं। कौन से टकराव सहेजने लायक हैं और कौन से केवल उबाऊ बैकग्राउंड शोर हैं। इसे एक बहुत ही विशिष्ट, मायावी अतिथि: टाऊ लेप्टॉन (Tau Lepton) को पहचानने में बहुत अधिक स्मार्ट होने की आवश्यकता है।

रहस्यमयी अतिथि: टाऊ लेप्टॉन

टाऊ लेप्टॉन को मशीन में एक "भूत" (ghost) की तरह समझें। यह इलेक्ट्रॉन का एक भारी चचेरा भाई है, लेकिन यह एक बहुत ही छोटे हिस्से के लिए जीवित रहता है (जैसे एक जुगनू जो एक बार चमकता है और गायब हो जाता है) कि यह कभी कैमरे तक नहीं पहुँच पाता। इसके बजाय, यह तुरंत अन्य कणों में टूट (decay) जाता है।

कभी-कभी, यह एक "हैड्रोनिक" स्प्रे में टूट जाता है—कणों का एक छोटा, घना समूह—जो दिखने में साधारण क्वार्क्स और ग्लूऑन्स द्वारा बनाए गए कचरे के ढेर (जिसे "जेट" कहा जाता है) जैसा लगता है। एक वास्तविक टाऊ क्षय (decay) को साधारण कचरे के ढेर से अलग करना, कचरे के ढेर में एक विशिष्ट, दुर्लभ ओरिगामी हंस (origami swan) को खोजने जैसा है।

चुनौती: बहुत अधिक शोर

हाल के वर्षों में, LHC की गति को और बढ़ा दिया गया है। इसका मतलब है कि एक ही समय में अधिक टकराव होते हैं (एक घटना जिसे "पाइलअप" कहा जाता है)। यह एक ऐसे स्टेडियम में फुसफुसाहट सुनने की कोशिश करने जैसा है जहाँ भीड़ अचानक दोगुनी हो गई हो। पुराना बाउंसर (2016-2018 में उपयोग किया जाने वाला सिस्टम) अभिभूत हो रहा था और वास्तविक टाऊ को मिस करने लगा था या शोर से भ्रमित होने लगा था।

समाधान: AI बाउंसर

CMS टीम को एहसास हुआ कि उन्हें अपने बाउंसर को आर्टिफिशियल इंटेलिजेंस (AI) के साथ अपग्रेड करने की आवश्यकता है। वे केवल एक ऐसा बाउंसर नहीं चाहते थे जो नियमों की सूची की जाँच करे (जैसे "क्या वस्तु भारी है? क्या यह सही जगह पर है?"); वे चाहते थे कि एक ऐसा बाउंसर हो जो सीख सके और टाऊ लेप्टॉन के पैटर्न को सहज रूप से पहचान सके।

उन्होंने "हाई-लेवल ट्रिगर" (बाउचर सिस्टम की दूसरी, स्मार्ट परत) में दो नए AI एल्गोरिदम पेश किए:

L2TAUNNTAG (एक "पैटर्न पहचानकर्ता"):
- यह क्या करता है: यह AI डिटेक्टर के कैमरों और सेंसरों से कच्चे डेटा को देखता है। यह "कन्वोल्यूशनल न्यूरल नेटवर्क" नामक AI का उपयोग करता है (समान तकनीक जो आपके फोन में चेहरों को पहचानने के लिए उपयोग की जाती है)।
- उपमा: एक भीड़ की धुंधली फोटो देखने की कल्पना करें। एक इंसान को किसी एक व्यक्ति को चुनने में संघर्ष करना पड़ सकता है। लेकिन यदि आप एक AI को उस विशिष्ट व्यक्ति की हजारों तस्वीरों पर प्रशिक्षित करते हैं, तो वह उन्हें तुरंत पहचान सकता है, भले ही वे आंशिक रूप से छिपे हों या फोटो दानेदार हो। L2TAUNNTAG टाऊ कणों के लिए यह करता है, "कचरे" वाले जेट्स को फ़िल्टर करता है ताकि केवल आशाजनक उम्मीदवार अगले चरण में जा सकें।
- परिणाम: यह पुराने नियम-आधारित सिस्टम की तुलना में तेज़ और अधिक सटीक है, जिससे प्रयोग को डेटा प्रवाह को प्रबंधनीय रखने में मदद मिलती है बिना अच्छे डेटा को खोए।
DEEPTAU (एक "विशेष जासूस"):
- यह क्या करता है: यह एक अधिक उन्नत AI है जो अंतिम निर्णायक के रूप में कार्य करता है। यह उन उम्मीदवारों को लेता है जो पहले फिल्टर से पास हुए हैं और उनका अत्यधिक विस्तार से विश्लेषण करता है, जैसे कि ट्रैक्स, ऊर्जा जमा (energy deposits), और कणों की व्यवस्था को देखना।
- उपमा: यदि L2TAUNNTAG दरवाजे पर आईडी चेक करने वाला सुरक्षा गार्ड है, तो DEEPTAU क्लब के अंदर का निजी जासूस है। यह अतिथि के व्यवहार, उनके इतिहास और उनके पहनावे को देखता है ताकि पुष्टि की जा सके, "हाँ, यह निश्चित रूप से एक वास्तविक टाऊ लेप्टॉन है, कोई ढोंगी नहीं।"
- परिणाम: यह एक वास्तविक टाऊ और एक नकली के बीच अंतर करने में अविश्वसनीय रूप से कुशल है, भले ही डिटेक्टर पुराना हो और भीड़ बहुत बड़ी हो।

परिणाम: एक सुचारू पार्टी

पेपर में 2022 और 2023 ( "अर्ली रन 3" युग) के दौरान एकत्र किए गए डेटा की रिपोर्ट दी गई है। परिणाम दर्शाते हैं कि:

दक्षता (Efficiency) बढ़ गई: नए AI बाउंसर पुराने सिस्टम की तुलना में अधिक वास्तविक टाऊ लेप्टॉन पकड़ रहे हैं।
गति समान रही: स्मार्ट होने के बावजूद, AI प्रक्रिया को धीमा नहीं करता है। यह विशेष कंप्यूटर चिप्स (GPUs) पर चलता है जो इस प्रकार के गणित के लिए ही डिज़ाइन किए गए हैं।
शोर कम हो गया: वे बैकग्राउंड कचरे को अनदेखा करने में बेहतर हैं, जिसका अर्थ है कि भौतिकविदों (physicists) को अध्ययन के लिए स्वच्छ डेटा मिलता है।

यह क्यों मायने रखता है?

हम इन भूतिया टाऊ को पहचानने में रुचि क्यों रखते हैं? क्योंकि वे ब्रह्मांड के रहस्यों को खोलने की कुंजी हैं।

हिग्स बोसॉन (Higgs Boson): हिग्स कण टाऊ में टूटने का बहुत शौक रखता है। हिग्स को बेहतर ढंग से समझने के लिए, हमें इन क्षयों (decays) को जितना संभव हो सके पकड़ने की आवश्यकता है।
नया भौतिक विज्ञान (New Physics): यदि कोई नए, अनदेखे कण (स्टैंडर्ड मॉडल से परे) हैं, तो वे भी टाऊ में टूट सकते हैं। टाऊ को पहचानने की हमारी क्षमता में सुधार करके, हम कुछ पूरी तरह से नया खोजने की संभावनाओं को बढ़ाते हैं।

संक्षेप में: CMS प्रयोग ने अपने "बाउंसर" सिस्टम को स्मार्ट AI के साथ अपग्रेड किया है। केवल एक चेकलिस्ट की जाँच करने के बजाय, नया सिस्टम टाऊ लेप्टॉन के अनूठे "फिंगरप्रिंट" को कणों की एक अराजक भीड़ के बीच पहचानने के लिए डीप लर्निंग का उपयोग करता है। यह वैज्ञानिकों को दुर्लभ घटनाओं को अधिक कैप्चर करने की अनुमति देता है, जिससे प्रकृति के मौलिक नियमों के बारे में बेहतर खोज संभव होती है।

यहाँ CMS प्रयोग के " $\sqrt{s} = 13.6$ TeV पर प्रोटॉन-प्रोटॉन टकरावों में उच्च-स्तरीय हैड्रोनिक टाऊ लेप्टॉन ट्रिगर्स" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

लार्ज हैड्रॉन कोलाइडर (LHC) में CMS प्रयोग को उच्च तात्कालिक ल्युमिनोसिटी (instantaneous luminosities) और बंच क्रॉसिंग प्रति बंच क्रॉसिंग प्रोटॉन-प्रोटॉन इंटरैक्शन की अधिक संख्या (पाइलअप) के कारण डेटा अधिग्रहण (data acquisition) में बढ़ती चुनौतियों का सामना करना पड़ रहा है। विशेष रूप से, हाई-लेवल ट्रिगर (HLT) स्तर पर हैड्रोनिक रूप से क्षय होने वाले टाऊ लेप्टॉन ( $\tau_h$ ) की पहचान करना कठिन है क्योंकि:

बैकग्राउंड कंटैमिनेशन (Background Contamination): वास्तविक $\tau_h$ क्षयों को क्वार्क- और ग्लूऑन-जनित जेट्स (QCD जेट्स) के भारी बैकग्राउंड से अलग करना आवश्यक है, जिनकी टोपोलॉजी समान होती है।
कंप्यूटेशनल बाधाएं (Computational Constraints): HLT में सख्त लेटेंसी (latency) और प्रोसेसिंग समय की सीमाएं होती हैं। पारंपरिक "कट-आधारित" एल्गोरिदम (जो सरल अवलोकनों के निश्चित थ्रेशोल्ड पर निर्भर करते हैं) रन 3 की स्थितियों में उच्च QCD बैकग्राउंड दरों को दबाते हुए वास्तविक टाऊ के लिए उच्च दक्षता बनाए रखने में संघर्ष करते हैं।
डिटेक्टर एजिंग (Detector Aging): डिटेक्टर के पुराना होने और बढ़े हुए पाइलअप (2022-2023 में प्रति क्रॉसिंग औसतन 46-52 इंटरैक्शन) के बावजूद, ट्रिगर सिस्टम को रन 2 की तुलना में दक्षता बनाए रखनी या सुधारनी चाहिए।

2. कार्यप्रणाली (Methodology)

इन चुनौतियोंों को संबोधित करने के लिए, CMS सहयोग ने पहली बार $\tau_h$ उम्मीदवारों के लिए विशेष रूप से HLT में मशीन लर्निंग (ML) एल्गोरिदम तैनात किए हैं। कार्यप्रणाली में पिछले कट-आधारित अनुक्रमों को बदलने के लिए एक दो-स्तरीय ML दृष्टिकोण शामिल है:

A. L2TAUNNTAG (L2 स्टेप)

आर्किटेक्चर: एक कनवल्शनल न्यूरल नेटवर्क (CNN) जिसे $\eta-\phi$ प्लेन में $5\times5$ ग्रिड में संरचित डेटा को प्रोसेस करने के लिए डिज़ाइन किया गया है।
इनपुट्स:
- ग्लोबल (Global): वर्टिकल की संख्या (PATATRACKS के माध्यम से पुनर्गठित)।
- ऑब्जेक्ट लेवल: लेवल-1 (L1) $\tau_h$ उम्मीदवारों के गुण ( $p_T$ , $\eta$ , $\phi$ , आइसोलेशन)।
- डिटेक्टर लेवल: कैलोरीमीटर ऊर्जा निक्षेप (ECAL/HCAL) और पिक्सेल डिटेक्टर से GPU-आधारित ट्रैक जानकारी (ट्रैक मल्टीप्लिसिटी, स्केलर $p_T$ सम, इम्पैक्ट पैरामीटर्स, $\chi^2$ )।
ट्रेनिंग: इसे Drell-Yan, $t\bar{t}$ , और $W$ +jet घटनाओं (सिग्नल) और QCD मल्टीजेट घटनाओं (बैकग्राउंड) के मोंटे कार्लो (MC) नमूनों पर प्रशिक्षित किया गया है।
कार्य: HLT चेन में इवेंट दरों को कम करने के लिए L2 और L2.5 कट-आधारित फ़िल्टरिंग चरणों को प्रतिस्थापित करता है, जबकि सिग्नल दक्षता को सुरक्षित रखता है।

B. DEEPTAU (L3 स्टेप)

आर्किटेक्चर: $\tau_h$ पहचान के लिए उपयोग किए जाने वाले ऑफलाइन डीप न्यूरल नेटवर्क (DNN) का एक सरलीकृत संस्करण। यह एक डुअल-ग्रिड संरचना का उपयोग करता है: एक सघन आंतरिक "सिग्नल कोन" ( $11\times11$ सेल्स) और एक बाहरी "आइसोलेशन कोन" ( $21\times21$ सेल्स)।
इनपुट्स: पुनर्गठित $\tau_h$ उम्मीदवार की उच्च-स्तरीय विशेषताओं को आइसोलेशन कोन के भीतर इनर ट्रैकर, कैलोरीमीटर और मयून सबडिटेक्टर से निम्न-स्तरीय जानकारी के साथ जोड़ा जाता है।
HLT के लिए सरलीकरण: टाइमिंग बाधाओं को पूरा करने के लिए, ऑनलाइन संस्करण इलेक्ट्रॉन और मयून डिस्क्रिमिनेन्ट्स (क्योंकि लीप्टोन $\tau_h$ ट्रिगर्स के लिए प्राथमिक बैकग्राउंड नहीं हैं) को बाहर करता है और जटिल प्राइमरी वर्टेक्स एसोसिएशन फिट को छोड़ देता है।
कार्य: यह L3 रिकंस्ट्रक्शन स्टेज में QCD जेट्स के विरुद्ध अंतिम भेदभाव स्कोर प्रदान करता है।

C. वर्कफ़्लो इंटीग्रेशन (Workflow Integration)

पेपर में विशिष्ट HLT पाथ्स में इन एल्गोरिदम के एकीकरण का विवरण दिया गया है:

सिंगल- $\tau_h$ और डि- $\tau_h$ पाथ्स: पूर्ण L3 रिकंस्ट्रक्शन से पहले इवेंट्स को फ़िल्टर करने के लिए L2TAUNNTAG का उपयोग करते हैं।
क्रॉस-ट्रिगर्स ( $e\tau_h$ , $\mu\tau_h$ ): अंतिम पहचान के लिए L3 स्टेज पर DEEPTAU का उपयोग करते हैं।
रिकंस्ट्रक्शन: पार्टिकल-फ्लो (PF) जेट्स से $\tau_h$ उम्मीदवारों को पुनर्गठित करने के लिए HPS (हैड्रोन-प्लस-स्ट्रिप्स) एल्गोरिदम का उपयोग किया जाता है, जो चार्ज्ड हैड्रोन और न्यूट्रल पायोन (स्ट्रिप्स) की पहचान करता है।

3. प्रमुख योगदान (Key Contributions)

CMS HLT में $\tau_h$ के लिए ML की पहली तैनाती: यह पेपर हैड्रोनिक टाऊ पहचान के लिए CMS HLT में न्यूरल नेटवर्क्स (L2TAUNNTAG और ऑनलाइन DEEPTAU) के उद्घाटन उपयोग को दस्तावेजीकृत करता है।
GPU एक्सेलेरेशन: कार्यान्वयन ML एल्गोरिदम के कंप्यूटेशनल लोड को संभालने के लिए नए हाइब्रिड CPU/GPU फार्म और GPU-आधारित ट्रैक रिकंस्ट्रक्शन (PATATRACKS) का लाभ उठाता है।
परफॉरमेंस वैलिडेशन: 2022-2023 के डेटा ( $\sqrt{s}=13.6$ TeV, $62 \text{ fb}^{-1}$ ) का व्यापक सत्यापन यह प्रदर्शित करता है कि ML एल्गोरिदम लीगेसी कट-आधारित तरीकों से बेहतर प्रदर्शन करते हैं।
स्केल फैक्टर्स: ट्रिगर दक्षता में अवशिष्ट अंतरों को ठीक करने के लिए डेटा-टू-सिमुलेशन स्केल फैक्टर्स का व्युत्पत्ति, जिससे भौतिक विश्लेषण इन ट्रिगर्स का सटीक उपयोग कर सकें।

4. परिणाम (Results)

प्रदर्शन का मूल्यांकन $62 \text{ fb}^{-1}$ की एकीकृत ल्युमिनोसिटी के अनुरूप डेटा का उपयोग करके किया गया था और इसकी तुलना रन 2 बेसलाइन और सिमुलेशन से की गई थी:

एफिशिएंसी बनाम रेट ट्रेड-ऑफ (Efficiency vs. Rate Trade-off):
- डि- $\tau_h$ पाथ: L2TAUNNTAG ने अगले HLT स्टेप के लिए इवेंट दर को कम कर दिया (एम्यूलेशन में ~6.1 kHz से ~5.4 kHz तक) जबकि कट-आधारित दृष्टिकोण की तुलना में अधिकांश दृश्यमान $p_T$ स्पेक्ट्रम में पूर्ण दक्षता (absolute efficiency) में सुधार किया।
- सिंगल- $\tau_h$ पाथ: L2TAUNNTAG के परिचय ने समान इवेंट दरों और दक्षता स्तरों को बनाए रखते हुए प्रोसेसिंग समय को लगभग 40% कम कर दिया।
पहचान प्रदर्शन (Identification Performance):
- ऑनलाइन DEEPTAU एल्गोरिदम ने $p_T$ रेंज के अधिकांश भाग में रन 2 कट-आधारित चयन की तुलना में QCD जेट्स के विरुद्ध बेहतर भेदभाव शक्ति प्रदर्शित की, और समान कुल इवेंट दर बनाए रखी।
- दक्षता प्लेटो (efficiency plateaus) पाइलअप के प्रति मजबूत पाए गए (NPV निर्भरता न्यूनतम थी)।
डेटा/MC समझौता (Data/MC Agreement):
- स्केल फैक्टर्स (Data/MC दक्षता अनुपात) $p_T > 60$ GeV के लिए इकाई के करीब ( $\approx 1.0$ ) पाए गए, जो ट्रिगर रिस्पॉन्स के उत्कृष्ट सिमुलेशन मॉडलिंग को दर्शाते हैं।
- $p_T < 60$ GeV पर विसंगतियों को सिमुलेशन में HCAL ऊर्जा प्रतिक्रिया मॉडलिंग की सीमाओं के लिए जिम्मेदार ठहराया गया।

5. महत्व (Significance)

फिजिक्स रीच (Physics Reach): बेहतर ट्रिगर दक्षता वास्तविक हैड्रोनिक टाऊ क्षयों के बड़े नमूने के संग्रह की अनुमति देती है बिना कंप्यूटेशनल लागत या डेटा स्टोरेज दर बढ़ाए। यह महत्वपूर्ण है:
- हिग्स बोसन फिजिक्स के लिए: $H \to \tau\tau$ क्षय के सटीक मापन के लिए।
- BSM खोजों के लिए: टाऊ लेप्टॉन से जुड़े 'बियॉन्ड-द-स्टैंडर्ड-मॉडल' (BSM) प्रक्रियाओं (जैसे भारी $Z'$ बोसॉन, सुपरसिमेट्री) के लिए बढ़ी हुई संवेदनशीलता।
परिचालन मील का पत्थर (Operational Milestone): यह कार्य वास्तविक-समय के ट्रिगर वातावरण में जटिल, डीप-लर्निंग-आधारित एल्गोरिदम चलाने की व्यवहार्यता को प्रमाणित करता है, जो भविष्य के अपग्रेड (जैसे, हाई-ल्युमिनोसिटी LHC) के लिए एक मिसाल कायम करता है।
संसाधन दक्षता (Resource Efficiency): समान या कम दरों पर उच्च दक्षता प्राप्त करके, CMS प्रयोग अपने कंप्यूटिंग संसाधन प्रति इकाई भौतिकी आउटपुट को अधिकतम करता है, जो एक महत्वपूर्ण कारक है क्योंकि LHC की ल्युमिनोसिटी में वृद्धि जारी है।