Machine-learning techniques for model-independent searches in dijet final states

Sintesi Tecnica: Tecniche di machine learning per ricerche model-independent in stati finali di dijet

Problematica
La ricerca di fisica oltre il Modello Standard (SM) al Large Hadron Collider (LHC) è sempre più ostacolata dall'enorme fondo di processi SM, in particolare quelli mediati dall'interazione forte (multijet QCD). Le ricerche tradizionali si affidano a classificatori di machine learning (ML) supervisionati, addestrati per distinguere specifici background SM da ipotizzati segnali Beyond-the-Standard-Model (BSM). Questo approccio richiede formulazioni teoriche esplicite per ogni modello alternativo, limitando l'ambito della scoperta alle ipotesi note. Inoltre, le tecniche tradizionali di "bump hunt", che cercano picchi risonanti nella massa invariante dei sistemi di dijet ($m_{jj}$), possono fallire se la frazione di segnale è troppo piccola per produrre un picco visibile contro il fondo SM in decrescita regolare. Il documento affronta la necessità di metodi model-agnostic (rilevamento di anomalie) in grado di identificare jet anomali senza conoscenza preventiva delle loro proprietà specifiche, evitando al contempo lo "sculpting" (modellazione artificiale) della distribuzione $m_{jj}$, che invaliderebbe le interpretazioni statistiche.

Metodologia
Il documento presenta un confronto dettagliato di cinque distinte tecniche di machine learning applicate a dati di collisioni protone-protone raccolti dall'esperimento CMS a $\sqrt{s} = 13$ TeV (2016–2018, 138 fb$^{-1}$). L'analisi si rivolge a stati finali di dijet in cui un risonanza pesante ($A$) decade in due particelle più leggere ($B$ e $C$), che successivamente decadono in particelle SM formando due jet a grande raggio. I metodi sono categorizzati in base ai loro paradigmi di addestramento:

1. Non supervisionato (VAE-QR): Un Variational Autoencoder (VAE) viene addestrato sui momenti dei costituenti dei jet a basso livello (low-level) in una regione di sideband (dove il segnale è soppresso) per apprendere la distribuzione del background SM. La perdita di ricostruzione funge da punteggio di anomalia. Per evitare che la selezione distorca lo spettro $m_{jj}$ (sculpting), viene impiegata una fase di Quantile Regression (QR) per normalizzare la soglia di anomalia come funzione di $m_{jj}$, garantendo la selezione di una frazione costante di eventi indipendentemente dalla massa.
2. Debolmente supervisionato (CWoLa Hunting, TNT, CATHODE, CATHODE-b): Questi metodi utilizzano la "Classification Without Labels" (CWoLa) per apprendere il rapporto di verosimiglianza tra background e dati direttamente dai campioni di dati, senza etichette di segnale esplicite.
   • CWoLa Hunting: Addestra classificatori su singoli jet utilizzando caratteristiche di alto livello della sottostruttura (es. massa soft-drop, rapporti di N-subjettiness, punteggi di b-tagging) per distinguere i jet in una regione di segnale (SR) da quelli in sideband adiacenti. Vengono applicate tecniche di reweighting per decorrelare il punteggio di anomalia dalla cinematica del jet per mitigare lo sculpting della massa.
   • TNT (Tag N' Train): Combina la supervisione debole con una preselezione iniziale tramite un autoencoder non supervisionato. Un jet viene utilizzato per "taggare" l'altro come simile al segnale o al background in base alla perdita dell'autoencoder, creando campioni arricchiti per l'addestramento debolmente supervisionato.
   • CATHODE / CATHODE-b: Utilizza un modello generativo condizionale (Normalizing Flows) addestrato sui dati di sideband per stimare la densità del background nella regione di segnale. Un classificatore debolmente supervisionato distingue quindi tra i dati osservati e il background generato. CATHODE-b estende questo approccio includendo i punteggi di b-tagging per migliorare la sensibilità alle accoppiate di quark di terza generazione.
3. Semi-supervisionato (QUAK): Incorpora un insieme di prior di segnale simulati per guidare la ricerca. Utilizza Normalizing Flows addestrati sia sul background che su specifici benchmark di segnale per definire uno "spazio QUAK", selezionando eventi che sono dissimili dal background ma simili ai prior del segnale.

Contributi Chiave

• Confronto esaustivo: Questo lavoro fornisce il primo confronto dettagliato di questi cinque diversi metodi di rilevamento di anomalie utilizzando dati reali di collisione, andando oltre i precedenti studi limitati a eventi simulati.
• Mitigazione dello Sculpting: Il documento dettaglia specifiche contromisure tecniche (regressione quantilica, reweighting, modellazione generativa) implementate per garantire che la selezione di anomalie non crei o distorca artificialmente i picchi nella distribuzione $m_{jj}$, un requisito critico per una valida inferenza statistica.
• Analisi dell'impatto delle caratteristiche: Lo studio investiga come diversi set di caratteristiche di input (costituenti a basso livello vs variabili di sottostruttura ad alto livello) influenzino le prestazioni, rivelando che la scelta delle caratteristiche può spiegare le differenze di sensibilità tra i metodi, ma non spiega completamente i gap di prestazione tra gli algoritmi.
• Validazione dei dati: Una nuova applicazione del rilevamento di anomalie debolmente supervisionato è dimostrata nell'identificazione di coppie di quark top Lorentz-boosted nei canali di decadimento completamente adronici, validando la capacità dei metodi di recuperare la fisica nota in un quadro model-agnostic.

Risultati

• Sensibilità: Tutti i cinque metodi dimostrano un aumento della sensibilità rispetto a una ricerca inclusiva (senza selezione di sottostruttura) e a semplici tagli di sottostruttura specifici per il modello. Tuttavia, nessun metodo singolo è ottimale per tutte le topologie di segnale.
• Complementarietà: L'analisi di correlazione dei punteggi di anomalia rivela basse correlazioni (tipicamente < 60%) tra i metodi, indicando che essi identificano eventi anomali basandosi su criteri differenti. Ciò suggerisce che combinare questi approcci potrebbe generare strategie di ricerca più potenti.
• Gap di prestazione: Sebbene i classificatori supervisionati addestrati sulle stesse caratteristiche raggiungano alte caratteristiche di miglioramento della significatività (SIC), i metodi model-agnostic ottengono valori di SIC inferiori (circa il 50% della prestazione dei supervisionati per alcuni metodi). Questo gap è attribuito alla mancanza di etichette di segnale durante l'addestramento e alla necessità di tenere conto delle incertezze sistematiche nella procedura di limitazione.
• Recupero del Quark Top: Nello studio di validazione, il metodo debolmente supervisionato ha isolato con successo gli eventi $t\bar{t}$ dal background QCD, ottenendo un miglioramento della significatività comparabile a un classificatore completamente supervisionato addestrato con gli stessi input. Le tecniche di interpretabilità (importanza delle caratteristiche per permutazione) hanno identificato con successo le proprietà fisiche dell'eccesso (massa del jet vicino a 175 GeV, alti punteggi di b-tagging e sottostruttura a tre prong), dimostrando la fattibilità dell'interpretazione dei risultati positivi del rilevamento di anomalie.

Significatività
Il documento sostiene che queste tecniche di rilevamento di anomalie riescono ad aumentare con successo la sensibilità alle firme di nuove particelle in modo model-agnostic, offrendo un'alternativa robusta alle tradizionali ricerche guidate dall'ipotesi. Dimostrando che questi metodi possono recuperare le proprietà di particelle note (quark top) senza una conoscenza preventiva della loro esistenza, il lavoro valida il potenziale del machine learning per il rilevamento di anomalie nel scoprire nuova fisica inaspettata. Lo studio sottolinea come la complementarità dei diversi metodi evidenzi il valore dell'impiego di un toolkit diversificato di strategie di rilevamento di anomalie nelle future analisi dell'LHC.