Machine learning techniques for jet reconstruction at LHCb and application to the search for $H \to b \bar{b}$ and $H \to c \bar{c}$ in $\sqrt{s}=13$ TeV $pp$ collisions

Questo articolo presenta tecniche di apprendimento automatico per la calibrazione dell'energia dei jet e il flavor tagging in LHCb, che vengono applicate alla ricerca di decadimenti inclusivi $H \to b\bar{b}$ e $H \to c\bar{c}$ in collisioni $pp$ a 13 TeV, risultando in limiti superiori osservati al livello di confidenza del 95% di 6,6 e 1003 volte la sezione d'urto del Modello Standard, rispettivamente.

L'essenziale

Immaginate il Large Hadron Collider (LHC) al CERN come un enorme e velocissimo frantumatore di particelle. Quando i protoni collidono, si frantumano in uno spray caotico di particelle più piccole. I fisici devono setacciare tra queste macerie per trovare eventi specifici e rari — come trovare un tipo specifico di vetro rotto in un mucchio di sabbia.

Questo articolo dell'esperimento LHCb descrive come abbiano utilizzato l'intelligenza artificiale (machine learning) per diventare molto più bravi a classificare queste macerie, specificamente per cercare il bosone di Higgs (una particella famosa) che si frammenta in due tipi specifici di "quark" (bottom e charm).

Ecco una scomposizione di ciò che hanno fatto, utilizzando analogie semplici:

1. Il Problema: Una Folla Rumorosa

Quando il bosone di Higgs decade in due quark, quei quark volano via e si trasformano in "jet" (spray di particelle). La sfida è che il segnale dell'Higgs è molto debole ed è sepolto sotto una montagna di rumore di fondo (collisioni di particelle ordinarie).

Per trovare l'Higgs, i fisici devono fare due cose perfettamente:

1. Misurare il peso: Devono sapere esattamente quanta energia hanno i jet per calcolare la massa della particella originale.
2. Identificare il sapore: Devono sapere se i jet provengono da un quark "bottom", da un quark "charm" o solo da un quark "leggero" generico.

2. La Soluzione: Due Nuovi Strumenti di IA

Il team ha sviluppato due nuove tecniche di apprendimento automatico per migliorare la loro ricerca.

Strumento A: La "Bilancia Intelligente" (Correzione dell'Energia del Jet)

Il Vecchio Metodo: Immaginate di pesare una valigia su una bilancia leggermente sballata. Usavate una formula semplice per indovinare la correzione, ma non era perfetta e la vostra misurazione del peso della valigia era ancora un po' sfocata.
Il Nuovo Metodo: Il team ha costruito un Modello di Regressione (un tipo di IA). Invece di una semplice formula, questa IA osserva la "forma" del jet, quante particelle ci sono all'interno e come sono disposte. Agisce come una bilancia super-intelligente che impara da milioni di esempi per prevedere il peso reale del jet con una precisione molto più alta.
Il Risultato: La "sfocatura" nelle loro misurazioni è diventata più nitida. Ora potevano distinguere il segnale dell'Higgs dal rumore di fondo in modo molto più chiaro.

Strumento B: L' "Investigatore Esperto" (Identificazione del Sapore del Jet)

Il Vecchio Metodo: Per identificare se un jet fosse un jet "bottom" o "charm", il vecchio metodo cercava un indizio specifico: un "vertice secondario" (un piccolo punto in cui una particella è decaduta). Era come un detective che cercava un singolo'impronta digitale. Se l'impronta era debole o mancante, il detective non riusciva a prendere una decisione.
Il Nuovo Metodo: Hanno costruito una Rete Neurale Profonda (DNN). Questo è come assumere un detective che non guarda solo un'impronta digitale. Questa IA osserva tutto: le tracce di ogni particella, i depositi di energia, i punti di decadimento e la forma complessiva del jet. Combina migliaia di piccoli indizi per prendere una decisione.
Il Risolo: Questo "Super Detective" è molto più bravo a scorgere la differenza tra jet bottom, jet charm e jet leggeri ordinari. Ha catturato più segnali reali e ha ignorato più segnali falsi.

3. La Grande Caccia: Cercare l'Higgs

Con questi due nuovi strumenti, il team è andato alla caccia del bosone di Higgs che decade in:

• Quark bottom ($H \to b\bar{b}$)
• Quark charm ($H \to c\bar{c}$)

Hanno analizzato i dati del 2016 (1.6 fb$^{-1}$ di collisioni). Non hanno assunto come l'Higgs venisse prodotto; hanno semplicemente cercato i prodotti di decadimento ovunque nei dati.

La Sfida: Il rumore di fondo (collisioni di particelle ordinarie) è enorme. Per gestire questo, hanno usato un trucco astuto: hanno definito una "Regione di Controllo" (una zona sicura dove sapevano che non esisteva l'Higgs) per imparare come appariva il rumore di fondo, e poi hanno usato quella conoscenza per prevedere il rumore nella loro "Regione di Segnale" (dove l'Higgs potrebbe trovarsi).

4. I Risultati: Cosa Hanno Trovato?

Dopo aver elaborato i numeri, non hanno trovato prove del bosone di Higgs che decade in questo modo specifico nel loro dataset. I dati apparivano esattamente come ci si aspetterebbe se l'Higgs non fosse presente (o fosse troppo raro per essere visto con questa quantità di dati).

Tuttavia, hanno stabilito dei limiti su quanto spesso questo potrebbe accadere:

• Per i Quark Bottom: Hanno scoperto che se l'Higgs sta effettivamente decadendo in quark bottom, accade almeno 6,6 volte meno spesso di quanto previsto dal Modello Standard. (Questo è un ottimo risultato; è vicino al limite atteso).
• Per i Quark Charm: Hanno scoperto che se l'Higgs sta decadendo in quark charm, accade almeno 1.003 volte meno spesso di quanto previsto. (Questo limite è molto più debole, il che significa che è molto più difficile trovare il segnale charm perché il rumore di fondo è molto forte e i jet charm sono più difficili da individuare).

5. Cosa C'è di Nuovo?

L'articolo conclude che, sebbene non abbiano trovato l'Higgs in questo specifico dataset, i loro nuovi strumenti di IA sono un grande successo. Hanno dimostrato che il machine learning può migliorare significativamente il modo in cui l'LHCb misura i jet.

Prevedono che con più dati dalle corse future (Run 4 e Run 5 dell'LHC), questi strumenti saranno abbastanza potenti da permettere finalmente di osservare l'Higgs che decade in quark bottom e di avvicinarsi molto di più all'osservazione del decadimento in quark charm.

In breve: Hanno costruito degli occhiali IA migliori per vedere attraverso la nebbia delle particelle. Non hanno trovato il tesoro (il segnale dell'Higgs) in questo specifico mucchio di sabbia, ma hanno dimostrato che i loro nuovi occhiali funzionano così bene che sono fiduciosi di trovarlo con un mucchio di sabbia più grande in futuro.

Sommario tecnico

Sintesi Tecnica: Tecniche di Machine Learning per la Ricostruzione dei Jet presso LHCb e Applicazione alle Ricerche di $H \to b\bar{b}$ e $H \to c\bar{c}$

Enunciato del Problema
L'esperimento LHCb, progettato principalmente per la fisica dei quark pesanti nella regione di pseudorapidità elevata ($2 < \eta < 5$), affronta sfide significative nella ricostruzione e nell'identificazione dei jet, in particolare quelli originati da quark pesanti ($b$ e $c$). I metodi di ricostruzione standard soffrono di una risoluzione dell'energia degradata a causa dei neutrini non rilevati nelle decadimenti semileptonici e di un'efficienza limitata nel distinguere i jet a sapore pesante dai jet a sapore leggero (iniziati da quark $u, d, s$ o gluoni). Queste limitazioni ostacolano la precisione delle ricerche inclusive del bosone di Higgs ($H \to b\bar{b}$ e $H \to c\bar{c}$) nello stato finale di dijet, dove una risoluzione accurata della massa invariante dei dijet e un'alta purezza nel flavour tagging sono critiche per separare il segnale dall'opprimente background QCD multijet.

Metodologia
Il documento introduce due nuove tecniche di machine learning per affrontare queste sfide di ricostruzione e identificazione, applicate a un dataset di collisioni $pp$a$\sqrt{s} = 13$ TeV corrispondente a una luminosità integrata di $1.6 \text{ fb}^{-1}$ (raccolta nel 2016).

1. Correzione dell'Energia del Jet (JEC) basata su Regressione:

   • Approccio: Viene impiegato un Regressore Gradient Boosted (GBR) per correggere l'energia dei jet, sostituendo il fattore di correzione moltiplicativo standard.
   • Input: Il modello utilizza un set completo di 421 feature, tra cui la cinematica del jet ($p_T, \eta, \phi$), la composizione (numero di costituenti, frazione di particelle cariche), la sottostruttura del jet (distribuzione dell'energia in anelli concentrici $\Delta R$), informazioni sui muoni e variabili a livello di evento (numero di vertici primari).
   • Addestramento: Il regressore è addestrato su campioni di segnale $H \to b\bar{b}$ simulato e campioni di background di dijet per predire l'energia del jet al livello di verità (truth-level). Modelli separati sono addestrati per i jet leading e subleading.
   • Obiettivo: Minimizzare la differenza tra la massa invariante del dijet ricostruita e quella al livello di verità ($m_{reco} - m_{truth}$), migliorando così la risoluzione della massa.

2. Rete Neurale Profonda (DNN) per il Flavour Tagging dei Jet:

   • Approccio: Viene sviluppata una Rete Neurale Profonda, ispirata all'algoritmo CMS DeepJet, per discriminare tra jet $b$, jet $c$ e jet leggeri.
   • Architettura: La rete elabora quattro categorie di input: particelle cariche, particelle neutre, vertici secondari e proprietà globali del jet. Utilizza strati convoluzionali 1D per le caratteristiche delle particelle, uno strato LSTM (Long Short-Term Memory) per l'elaborazione sequenziale delle particelle cariche/neutre e strati densi per la classificazione finale.
   • Input: Fino a 20 particelle cariche (ordinate per parametro d'impatto) e 10 particelle neutre (ordinate per energia) per jet sono inclusi, insieme alla cinematica del vertice secondario e alle variabili globali del jet.
   • Output: La rete produce tre probabilità ($P_b, P_c, P_q$) che rappresentano la verosimiglianza che il jet origini da un quark $b$, $c$ o leggero, rispettivamente.

3. Strategia di Ricerca e Stima del Background:

   • Regioni di Segnale e di Controllo: Le Regioni di Segnale (SR) sono definite da rigorose soglie di probabilità DNN e requisiti di tagging del vertice secondario. Le Regioni di Controllo (CR), composte da coppie di jet a sapore misto, sono utilizzate per modellare il dominante background QCD multijet in modo data-driven.
   • Modellazione del Background: Una funzione di trasferimento (TF), parametrizzata come un polinomio di Bernstein, estrapola la forma della massa del dijet dalla CR alla SR.
   • Analisi Statistica: Viene eseguito un fit di massima verosimiglianza binato sullo spettro della massa invariante del dijet ($45 < M_{jj} < 250 \text{ GeV}/c^2$). Le incertezze sistematiche (ad esempio, scala dell'energia del jet, efficienza di tagging, modellazione del background) sono incorporate tramite parametri di disturbo (nuisance parameters). Gli limiti superiori sono stabiliti utilizzando il metodo $CL_s$.

Contributi Chiave

• Sviluppo Algoritmico: Il documento presenta la prima applicazione di una correzione dell'energia del jet basata su GBR e di una DNN a sottostruttura completa per il flavour tagging presso LHCb.
• Miglioramento delle Prestazioni:
  • La correzione GBR migliora significativamente la risoluzione della massa invariante del dijet rispetto al metodo JEC cubico standard.
  • L'algoritmo di tagging DNN dimostra un miglioramento dell'efficienza relativa $>9\%$ per i jet $b$ e $>20\%$ per i jet $c$ rispetto all'algoritmo standard di tagging del vertice secondario (SVT), mantenendo un tasso di misidentificazione dei jet leggeri di circa l'1%.
• Ricerca Inclusiva: A differenza delle precedenti analisi LHCb focalizzate sulla produzione associata a bosoni vettori ($VH$), questo lavoro mira alle decadimenti inclusivi $H \to b\bar{b}$ e $H \to c\bar{c}$ senza assunzioni sul meccanismo di produzione, permettendo confronti più ampi con le teorie oltre il Modello Standard (BSM).

Risultati
Utilizzando il dataset del 2016 ($1.6 \text{ fb}^{-1}$), non è stata osservata alcuna eccedenza significativa di eventi attribuibili ai decadimenti del bosone di Higgs in nessuno dei due canali. Le rese del segnale fittate erano compatibili con lo zero.

• Ricerca $H \to b\bar{b}$:

  • Limite superiore osservato al 95% CL: $6.6 \times \sigma_{SM}$ (211 pb).
  • Limite superiore atteso al 95% CL: $11.1 \times \sigma_{SM}$.
  • Il limite osservato è più stringente di quello atteso a causa di una fluttuazione statistica verso il basso nei dati.

• Ricerca $H \to c\bar{c}$:

  • Limite superiore osservato al 95% CL: $1003 \times \sigma_{SM}$ (1605 pb).
  • Limite superiore atteso al 95% CL: $1834 \times \sigma_{SM}$.
  • La sensibilità è limitata da un basso rapporto segnale-fondo, una ridotta efficienza di charm-tagging e tassi più elevati di misidentificazione del fondo.

• Incertezze Sistematiche: L'incertezza sistematica dominante per entrambe le ricerche è l'efficienza di tagging del vertice secondario del jet (15% per $H \to b\bar{b}$, 19% per $H \to c\bar{c}$).

Significatività e Prospettive Future
Il documento afferma che questi risultati stabiliscono i limiti più stringenti sulla produzione inclusiva di $H \to b\bar{b}$ e $H \to c\bar{c}$ utilizzando l'attuale dataset di LHCb. L'implementazione di queste tecniche di machine learning dimostra il loro potenziale per migliorare la precisione delle misurazioni dei jet presso LHCb.

Gli autori forniscono estrapolazioni per il futuro prelievo di dati (Run 3, Run 4 e Run 5). Concludono che:

• L'osservazione del processo inclusivo $H \to b\bar{b}$ è prevista essere fattibile entro la fine della Run 4 (50 $\text{fb}^{-1}$), con limiti progettati che raggiungono $\sim 1.1 \times \sigma_{SM}$.
• Entro la fine della Run 5 (300 $\text{fb}^{-1}$), il canale inclusivo $H \to c\bar{c}$ è progettato per vincolare l'accoppiamento Yukawa del charm ($y_c$) a circa 6.7 volte il valore del Modello Standard. Questo approccio offre un vincolo complementare alle ricerche di produzione $VH$, poiché non dipende da assunzioni riguardanti il meccanismo di produzione dell'Higgs.