⚛️ high-energy experiments

Simultaneous efficiency measurements of $b$ - and $c$ -jets in $t\bar{t}$ events from $\sqrt{s}=13.6$ TeV $pp$ collision data collected with the ATLAS detector

यह शोध पत्र 56 fb $^{-1}$ $\sqrt{s}=13.6$ TeV ATLAS $t\bar{t}$ डेटा का उपयोग करके GN2 टैगर के लिए $b$ -जेट पहचान और $c$ -जेट गलत पहचान (misidentification) दक्षताओं के समवर्ती मापन प्रस्तुत करता है, जो ज्ञात ब्रांचिंग अंशों और काइनेमैटिक लाइकलीहुड पुनर्निर्माण का लाभ उठाकर क्रमशः 2% और 5% से बेहतर सटीकता प्राप्त करता है।

मूल लेखक: ATLAS Collaboration

प्रकाशित 2026-07-08

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: ATLAS 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 लार्ज हैड्रॉन कोलाइडर (LHC) दुनिया का सबसे शक्तिशाली पार्टिकल स्मैशर (कणों को टकराने वाली मशीन) है। जब यह प्रोटॉन को एक-दूसरे से टकराता है, तो वे छोटे कणों के समूह में विस्फोटित हो जाते हैं, जिनमें से कई आपस में जुड़कर "जेट्स" (jets) बनाते हैं। इनमें से कुछ जेट्स भारी, अल्पजीवी कणों जैसे कि बॉटम क्वार्क (b-jets) से आते हैं, जबकि अन्य थोड़े हल्के चार्म क्वार्क (c-jets) से आते हैं।

CERN का ATLAS प्रयोग एक विशाल, अत्यंत संवेदनशील कैमरे की तरह है जो इन विस्फोटों की तस्वीर लेने की कोशिश कर रहा है। लेकिन समस्या यह है कि कैमरे का सॉफ्टवेयर (टैगर/tagger) एकदम सटीक नहीं है। कभी-कभी, यह एक चार्म जेट को देखता है और गलती से सोचता है, "आह, यह एक बॉटम जेट है!" इसे "मिस्टैग" (mistag) कहा जाता है।

यह शोध पत्र वास्तव में उस कैमरा सॉफ्टवेयर के लिए एक गुणवत्ता नियंत्रण रिपोर्ट (quality control report) है। टीम यह जानना चाहती थी कि:

सॉफ्टवेयर बॉटम जेट को सही ढंग से पहचानने में कितना अच्छा है?
यह कितनी बार एक चार्म जेट को गलती से बॉटम जेट समझ लेता है?

उन्होंने इसके लिए कणों के टकराव का एक विशिष्ट प्रकार इस्तेमाल किया जिसे टॉप-क्वार्क पेयर इवेंट ( $t\bar{t}$ ) कहा जाता है। टॉप क्वार्क को एक बहुत ही अस्थिर "जनक" (parent) के रूप में सोचें जो लगभग हमेशा एक बॉटम क्वार्क और एक W बोसोन में विभाजित होता है। इसके बाद W बोसोन फिर से विभाजित होता है।

कुछ मामलों में, W बोसोन एक लेप्टोन (जैसे इलेक्ट्रॉन या म्यूऑन) और एक न्यूट्रिनो में विभाजित होता है। यह इस घटना का "साफ" (clean) हिस्सा है।
अन्य मामलों में, W बोसोन दो क्वार्क्स (एक चार्म और एक स्ट्रेंज क्वार्क) में विभाजित होता है। यह इस घटना का "अव्यवस्थित" (messy) हिस्सा है।

जासूस की उपमा (The Analogy of the Detective)
कल्पना कीजिए कि आप भीड़ में एक संदिग्ध (बॉटम जेट) की पहचान करने की कोशिश कर रहे एक जासूस हैं।

"साफ" पक्ष (The "Clean" Side): आप निश्चित रूप से जानते हैं कि भीड़ में एक व्यक्ति संदिग्ध ही होगा क्योंकि वह एक विशिष्ट, विश्वसनीय स्रोत से आया है (लेप्टोनिक रूप से क्षय होने वाला टॉप क्वार्क)। आप संदिग्ध की पहचान करने में सॉफ्टवेयर की दक्षता देखने के लिए ज्ञात संदिग्ध के विरुद्ध कैमरे के सॉफ्टवेयर की जांच करते हैं। यह दक्षता (efficiency) को मापता है (कि यह कितनी बार सही होता है)।
"अव्यवस्थित" पक्ष (The "Messy" Side): कमरे के दूसरी ओर, आप जानते हैं कि लोगों का एक समूह है जो निश्चित रूप से संदिग्ध नहीं है, लेकिन वे दिखने में थोड़े समान हैं। विशेष रूप से, आप जानते हैं कि इस ओर का W बोसोन लगभग 33% समय एक चार्म क्वार्क उत्पन्न करता है। आप इस ज्ञात समूह का उपयोग यह देखने के लिए करते हैं कि कैमरा सॉफ्टवेयर कितनी बार भ्रमित होकर कहता है, "वह संदिग्ध है!" जबकि वास्तव में वह एक चार्म क्वार्क है। यह मिस्टैगिंग दर (mistagging rate) को मापता है।

उन्होंने क्या किया
शोधकर्ताओं ने 2022 और 2023 के डेटा का उपयोग किया, जो टकरावों के 56 "इनवर्स फेमटोबार्न" (56 inverse femtobarns - डेटा की एक विशाल मात्रा) का प्रतिनिधित्व करता है। उन्होंने टैगिंग करने के लिए एक नए, उन्नत AI टूल का उपयोग किया जिसे GN2 (एक "सिंगल-ट्रांसफॉर्मर" न्यूरल नेटवर्क) कहा जाता है।

उन्होंने केवल अनुमान नहीं लगाया; उन्होंने एक गणितीय मॉडल बनाया जो एक साथ दो चीजों को हल करता है:

AI वास्तविक बॉटम जेट्स को कितनी बार सही ढंग से पहचानता है।
AI कितनी बार चार्म जेट्स को बॉटम जेट्स के रूप में गलत तरीके से पहचानता है।

उन्होंने अपने वास्तविक दुनिया के डेटा की तुलना कंप्यूटर सिमुलेशन से की। चूंकि कंप्यूटर सिमुलेशन एकदम सटीक नहीं होते, इसलिए उन्होंने "स्केल फैक्टर्स" (SFs) की गणना की। इन्हें सुधार गुणांक (correction coefficients) के रूप में सोचें। यदि कंप्यूटर सिमुलेशन कहता है कि AI 90% सटीक है, लेकिन वास्तविक डेटा दिखाता है कि यह वास्तव में 95% है, तो स्केल फैक्टर 1.05 होगा। वैज्ञानिक भविष्य के सिमुलेशन को वास्तविकता से मिलाने के लिए इस कारक को लागू करते हैं।

परिणाम

परिशुद्धता (Precision): उन्होंने बॉटम जेट्स को पहचानने की दक्षता को अधिकांश मामलों में 2% से बेहतर परिशुद्धता के साथ मापा। चार्म जेट्स (मिस्टैग्स) को पहचानने के लिए, परिशुद्धता 5% से बेहतर थी।
संगति (Consistency): उन्होंने अपने परिणामों की जांच एक अलग पद्धति के विरुद्ध की (उन घटनाओं का उपयोग करके जहाँ दोनों टॉप क्वार्क लेप्टोन में क्षय होते हैं) और पाया कि संख्याएँ पूरी तरह से मेल खाती हैं। यह उन्हें उच्च विश्वास देता है कि उनके माप सही हैं।
"GN2" का लाभ: शोध पत्र नोट करता है कि यह नया AI टैगर पुराने उपकरणों की तुलना में चार्म जेट्स को बॉटम जेट्स से अलग करने में बेहतर है, जिससे इन "मिस्टैग्स" का मापन कठिन लेकिन अधिक मूल्यवान हो जाता है।

सारांश में
यह शोध पत्र किसी नए कण या प्रकृति के नए बल की खोज नहीं करता है। इसके बजाय, यह ATLAS प्रयोग के सॉफ्टवेयर के लिए एक कैलिब्रेशन मैनुअल (अंशांकन नियमावली) प्रदान करता है। यह सटीक रूप से मापने के द्वारा कि सॉफ्टवेयर कितनी बार चार्म जेट्स को बॉटम जेट्स के रूप में भ्रमित करता है, और कितनी बार यह बॉटम जेट्स को सही ढंग से पाता है, टीम यह सुनिश्चित करती है कि इस डेटा का उपयोग करने वाला प्रत्येक भविष्य का प्रयोग एक ठोस, सटीक आधार पर बना हो। यह एक धुंधली तस्वीर और उप-परमाणु दुनिया की एक स्पष्ट, हाई-डेफिनिशन छवि के बीच का अंतर है।

तकनीकी सारांश: $\sqrt{s}=13.6$ TeV $pp $टकराव डेटा से$ t\bar{t} $घटनाओं में$ b $- और$ c$-जेट्स के समवर्ती दक्षता मापन

समस्या और प्रेरणा
लार्ज हैड्रोन कोलाइडर (LHC) में विश्लेषणों में, बॉटम ( $b$ ) या चार्म ( $c$ ) क्वार्क्स से उत्पन्न होने वाले जेट्स की पहचान करना हिग्स बोसॉन के क्षय से लेकर टॉप-क्वार्क युग्म उत्पादन तक के अध्ययनों के लिए महत्वपूर्ण है। जबकि मोंटे कार्लो (MC) सिमुलेशन टैगिंग दक्षताओं के अनुमान प्रदान करते हैं, वे त्रुटिपूर्ण होते हैं। फलस्वरूप, सिमुलेशन वेट्स को सुधारने के लिए डेटा-संचालित स्केल फैक्टर्स (SFs)—जो सिमुलेशन में दक्षता और डेटा के अनुपात को दर्शाते हैं—की आवश्यकता होती है। $b$ -जेट SFs के पिछले ATLAS मापन में ड़ीलेप्टोनिक $t\bar{t}$ घटनाओं का उपयोग किया गया था, जबकि $c$ -जेट मिस्टैगिंग SFs को सेमीलेप्टोनिक $t\bar{t}$ घटनाओं का उपयोग करके मापा गया था। हालाँकि, इन्हें अक्सर अलग-अलग मापन के रूप में माना जाता था। यह शोध पत्र रन 3 डेटा के लिए फ्लेवर टैगिंग अंशांकन (कैलिब्रेशन) की सटीकता और निरंतरता में सुधार करने के लिए, नवीनतम GN2 टैगर (एक सिंगल-ट्रांसफॉर्मर-आधारित ग्राफ न्यूरल नेटवर्क) का उपयोग करके $b$ -जेट टैगिंग और $c$ -जेट मिस्टैगिंग दक्षताओं के समवर्ती मापन की आवश्यकता को संबोधित करता है।

कार्यप्रणाली
यह विश्लेषण 2022 और 2023 के दौरान $\sqrt{s}=13.6$ TeV के केंद्र-द्रव्यमान ऊर्जा पर ATLAS डिटेक्टर द्वारा एकत्र किए गए 56 fb $^{-1}$ प्रोटॉन-प्रोटॉन टकराव डेटा का उपयोग करता है। इवेंट चयन सटीक रूप से एक आइसोलेटेड इलेक्ट्रॉन या म्यूऑन, मिसिंग ट्रांसवर्स मोमेंटम, और विशिष्ट जेट मल्टीसिटी आवश्यकताओं (आमतौर पर 3–4 जेट, विशिष्ट काइनेटिक स्थितियों के तहत उच्च मल्टीसिटी की अनुमति के साथ) वाले सेमीलेप्टोनिक $t\bar{t}$ घटनाओं को लक्षित करता है।

$t\bar{t}$ क्षय टोपोलॉजी को पुनर्गठित करने के लिए एक काइनेटिक लाइकलीहुड तकनीक का उपयोग किया जाता है, जो पूर्व-मौजूदा $b$ -टैगिंग जानकारी पर निर्भर किए बिना पुनर्गठित जेट्स को टॉप क्वार्क्स और $W$ बोसन्स के क्षय उत्पादों से मैप करती है। यह निम्नलिखित की पहचान करने की अनुमति देता है:

लेप्टोनिक टॉप-जेट: लेप्टोनिक रूप से क्षय होने वाले टॉप क्वार्क से प्राप्त $b$ -जेट ( $t \to W b \to \ell \nu b$ )।
हैड्रोनिक टॉप-जेट: हैड्रोनिक रूप से क्षय होने वाले टॉप क्वार्क से प्राप्त $b$ -जेट।
$W$ -जेट्स: $W$ बोसॉन के हैड्रोनिक क्षय ( $W \to q\bar{q}'$ ) से उत्पन्न होने वाले दो जेट (जिसमें मुख्य रूप से $c$ -क्वार्क्स [ब्रांचिंग फ्रैक्शन $\approx 33\%$ ] और लाइट-फ्लेवर क्वार्क्स होते हैं)।

विश्लेषण छह GN2 टैगिंग अंतराल (0–65% से 90–100% दक्षता रेंज) में जेट ट्रांसवर्स मोमेंटम ( $p_T$ ) के फलन के रूप में $b$ -जेट्स ( $b_t(i)$ ) और $c$ -जेट्स ( $c_t(i)$ ) के SFs को निर्धारित करने के लिए एक समवर्ती फिट (simultaneous fit) का उपयोग करता है।

$b$ -जेट SFs: लेप्टोनिक टॉप-जेट के प्रत्येक GN2 अंतराल में गिरने वाले अंश की MC अपेक्षाओं के विरुद्ध तुलना द्वारा इन्हें नियंत्रित किया जाता है। इस चैनल में लाइट-फ्लेवर जेट बैकग्राउंड को लीप्टन और लेप्टोनिक टॉप-जेट के इनवेरिएंट मास ( $m_{j\ell}$ ) का उपयोग करके सामान्यीकृत किया जाता है।
$c$ -जेट SFs: उन घटनाओं में टैग किए गए $W$ -जेट्स के GN2 डिस्क्रिमिनेन्ट का विश्लेषण करके इन्हें नियंत्रित किया जाता है जहाँ दूसरा $W$ -जेट अनटैग्ड है और दोनों टॉप-जेट्स टाइटली टैग किए गए हैं। ज्ञात $W \to c\bar{s}$ ब्रांचिंग फ्रैक्शन $c$ -जेट मिस्टैगिंग दरों के निष्कर्षण की अनुमति देता है।
संयुक्त फिट (Combined Fit): एक कुल $\chi^2$ मिनिमाइजेशन सेमीलेप्टोनिक मापन को ड़ीलेप्टोनिक $t\bar{t}$ घटनाओं (एक प्रायर का उपयोग करके) से एक स्वतंत्र $b$ -जेट SF मापन के साथ जोड़ता है ताकि $b$ -जेट दक्षताओं को और अधिक नियंत्रित किया जा सके।

सिस्टमैटिक अनसर्टेंटी (व्यवस्थित अनिश्चितता) का मूल्यांकन MC मॉडलिंग पैरामीटर्स (पार्टन शॉवर, हैड्रोनाइजेशन, ISR/FSR), जेट एनर्जी स्केल/रेजोल्यूशन, और बैकग्राउंड नॉर्मलाइजेशन को बदलकर किया जाता है। सबसे बड़ी अनिश्चितताएं $t\bar{t}$ मॉडलिंग (विशेष रूप से पार्टन शॉवर/हैड्रोनाइजेशन मॉडल का चुनाव) और जेट रिकंस्ट्रक्शन से उत्पन्न होती हैं।

मुख्य परिणाम

$b$ -जेट टैगिंग दक्षता: मापे गए SFs 20–250 GeV की रेंज में जेट $p_T$ पर कोई मजबूत निर्भरता नहीं दिखाते हैं। सबसे टाइट टैगिंग अंतराल (0–65%) के लिए, $p_T > 60$ GeV वाले जेट्स के लिए कुल अनसर्टेंटी 2% से बेहतर स्तर पर पहुँचती है। परिणाम ड़ीलेप्टोनिक $t\bar{t}$ घटनाओं से स्वतंत्र मापन के अनुरूप हैं।
$c$ -जेट मिस्टैगिंग दक्षता: चार सबसे लूज टैगिंग अंतरालों में से कई मापन 5% से बेहतर सटीकता प्राप्त करते हैं। SFs आम तौर पर एक मजबूत $p_T$ निर्भरता प्रदर्शित नहीं करते हैं, हालांकि सबसे टाइट अंतराल (0–65%) में MC सिमुलेशन की तुलना में डेटा में उच्च दक्षता दिखाई देती है।
समवर्ती निर्धारण: फिट सफलतापूर्वक $b$ -जेट और $c$ -जेट SFs को एक साथ निकालता है, जिसमें दोनों के बीच सांख्यिकीय सहसंबंध (statistical correlation) सिस्टमैटिक सहसंबंधों की तुलना में छोटा है। लाइट-फ्लेवर बैकग्राउंड और सिग्नल यील्ड के लिए नॉर्मलाइजेशन फैक्टर्स अपेक्षाओं के अनुरूप पाए गए हैं।

महत्व और दावे
यह पेपर दावा करता है कि यह $t\bar{t}$ सेमीलेप्टोनिक घटनाओं का उपयोग करके $b$ -जेट टैगिंग और $c$ -जेट मिस्टैगिंग SFs के समवर्ती मापन की रिपोर्ट करने वाला पहला विश्लेषण है। यह दृष्टिकोण $t\bar{t}$ घटनाओं की विशिष्ट क्षय टोपोलॉजी का लाभ उठाता है ताकि एक ही ढांचे के भीतर दोनों दक्षताओं को नियंत्रित किया जा सके, जिसमें GN2 टैगर का उपयोग किया गया है जो पिछले एल्गोरिदम की तुलना में बेहतर प्रदर्शन प्रदान करता है। ये परिणाम उन ATLAS विश्लेषणों के लिए आवश्यक अंशांकन इनपुट प्रदान करते हैं जिनमें सटीक फ्लेवर टैगिंग की आवश्यकता होती है, विशेष रूप से उच्च-ल्यूमिनोसिटी रन 3 युग में $b$ - और $c$ -क्वार्क की पहचान से संबंधित अध्ययन। पेपर विनम्रतापूर्वक नोट करता है कि यद्यपि मापन सटीक हैं, लेकिन अनसर्टेंटी मुख्य रूप से MC मॉडलिंग, विशेष रूप से पार्टन शॉवर और हैड्रोनाइजेशन मॉडल से संबंधित व्यवस्थित प्रभावों (systematic effects) द्वारा संचालित होती है।

इसी तरह के और पेपर