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

Questo documento riassume gli sviluppi e le prestazioni degli algoritmi di machine learning integrati nel trigger di alto livello del rivelatore CMS per l'identificazione efficiente dei tau adronici, utilizzando dati raccolti durante le collisioni protone-protone a 13,6 TeV nel 2022-2023.

L'essenziale

Immagina il CERN come un'enorme macchina fotografica che scatta miliardi di foto al secondo per catturare i momenti più veloci e misteriosi dell'universo: le collisioni tra particelle. Ma c'è un problema: la macchina fotografica è così veloce che non può salvare tutte le foto. Se lo facesse, i suoi hard disk si riempirebbero in un secondo e il sistema si bloccherebbe.

Per questo, il rivelatore CMS (uno dei due "occhi" principali del CERN) ha bisogno di un sistema di guardia molto intelligente, chiamato "Trigger". Il suo compito è decidere in una frazione di secondo quali eventi sono interessanti e salvarli, e quali sono solo "rumore di fondo" da scartare.

Questo articolo parla di come il CMS ha aggiornato il suo sistema di guardia per catturare meglio una particella speciale: il tau.

Chi è il "Tau"?

Il tau è come un "cugino pesante" dell'elettrone. È una particella che vive pochissimo (è come una candela che si spegne istantaneamente) e quando muore, spesso esplode in un piccolo gruppo di altre particelle (come un piccolo sasso che si frantuma in sassolini).
Il problema è che questi "sassolini" (chiamati getti adronici) sembrano molto simili a quelli prodotti da particelle molto più comuni e noiose, come i quark o i gluoni. È come cercare di trovare un diamante in una montagna di ghiaia: se guardi solo la forma, è difficile distinguerli.

Il Problema: Troppa Ghiaia, Pochi Diamanti

Negli ultimi anni, il Large Hadron Collider (LHC) è diventato più potente. Questo significa che ogni volta che due fasci di particelle si scontrano, non succede una sola collisione, ma migliaia (questo si chiama "pile-up").
È come se il sistema di guardia del CMS dovesse controllare non più una sola persona che entra in un club, ma una folla di migliaia di persone tutte insieme, cercando di trovare un solo VIP (il tau) che si nasconde in mezzo alla folla. I vecchi metodi di controllo, basati su regole rigide (come "se pesa più di X, entra"), non bastavano più: o si lasciavano passare troppi falsi positivi (la ghiaia), o si perdevano i veri VIP (i tau).

La Soluzione: L'Intelligenza Artificiale al Volante

Per risolvere questo problema, i fisici del CMS hanno installato nel loro sistema di guardia due nuovi "cervelli" basati sull'Intelligenza Artificiale (Machine Learning).

1. Il Primo Filtro (L2TAUNNTAG):
   Immagina di avere un guardiano all'ingresso che deve decidere velocemente se far passare qualcuno. Invece di usare un metro rigido, questo guardiano è un allenatore di calcio esperto. Guarda non solo la "taglia" della persona, ma anche il modo in cui cammina, come si muove rispetto agli altri e come è vestito.
   Questo nuovo algoritmo analizza i dati in modo molto più sofisticato, imparando a riconoscere i "sottili" segnali che distinguono un vero tau da un falso. Risultato: riesce a scartare molta più ghiaia senza perdere i diamanti, e lo fa molto velocemente, usando i nuovi computer potenti (GPU) installati nel sistema.

2. Il Secondo Filtro (DEEPTAU):
   Una volta che la folla è stata ridotta, entra in gioco un secondo guardiano, ancora più esperto. Questo è come un detective privato che esamina ogni dettaglio. Guarda le tracce lasciate dalle particelle, l'energia rilasciata e la forma esatta dell'esplosione.
   Anche questo sistema usa una rete neurale profonda (un tipo di intelligenza artificiale molto avanzata) per dire: "Sì, questo è un vero tau" o "No, è solo un falso".

I Risultati: Più Diamanti, Stesso Tempo

Grazie a questi due nuovi "cervelli", il CMS è riuscito a:

• Catturare più tau reali: L'efficienza è aumentata, il che significa che gli scienziati hanno più dati per studiare come funziona il bosone di Higgs o per cercare nuova fisica.
• Non intasare il sistema: Nonostante ci siano più collisioni e più dati, il sistema non è andato in tilt. Ha mantenuto il numero di eventi salvati sotto controllo, proprio come un buon portiere che ferma i palloni senza farsi travolgere.
• Funzionare in tempo reale: Tutto questo è successo in frazioni di milionesimo di secondo, mentre i dati venivano generati.

In Sintesi

Questo articolo racconta come il CMS abbia "aggiornato il software" del suo sistema di sicurezza. Invece di usare regole vecchie e rigide, ora usa l'intelligenza artificiale per imparare a riconoscere i segnali più sottili. È come passare da un metal detector che suona per ogni oggetto metallico, a un sistema che riconosce se quell'oggetto è una moneta da 10 centesimi o un anello di diamanti, permettendo agli scienziati di studiare l'universo con una precisione mai vista prima.

Questo miglioramento è fondamentale per le ricerche future, specialmente per capire meglio il bosone di Higgs e cercare particelle mai viste prima che potrebbero cambiare la nostra comprensione della realtà.

Sommario tecnico

Panoramica Generale

Il documento descrive l'implementazione e le prestazioni di nuovi algoritmi basati sul Machine Learning (ML) nel sistema di trigger di alto livello (HLT) dell'esperimento CMS al CERN. Questi sviluppi mirano a migliorare l'identificazione dei tau adronici ($\tau_h$) decadenti, una sfida critica a causa dell'aumento delle interazioni per incrocio di fascio (pile-up) durante la Run 3 del LHC. I risultati sono basati sui dati raccolti nel 2022-2023 a un'energia di centro di massa di 13.6 TeV, corrispondenti a una luminosità integrata di 62 fb$^{-1}$.

---

1. Il Problema

I tau adronici sono fondamentali per misurazioni di precisione del Modello Standard (es. decadimenti del bosone di Higgs $H \to \tau\tau$) e per la ricerca di fisica oltre il Modello Standard (BSM). Tuttavia, la loro identificazione a livello di trigger è estremamente difficile per diversi motivi:

• Sfondo QCD: I tau adronici devono essere distinti dai jet generati dall'adronizzazione di quark e gluoni, che hanno un tasso di produzione enormemente superiore.
• Pile-up: L'aumento del numero di interazioni per incrocio di fascio (da una media di ~35 nella Run 2 a ~46-52 nella Run 3) degrada le prestazioni degli algoritmi tradizionali basati su tagli (cut-based).
• Vincoli Computazionali: Il sistema HLT deve ridurre il tasso di eventi da ~100 kHz (L1) a pochi kHz con una latenza limitata. Gli algoritmi complessi sono spesso troppo pesanti per essere eseguiti in tempo reale.

2. Metodologia

L'approccio adottato prevede la sostituzione degli algoritmi basati su tagli rigidi con reti neurali convoluzionali (CNN) ottimizzate per l'esecuzione online, sfruttando l'infrastruttura di calcolo ibrida CPU/GPU introdotta nella Run 3.

Algoritmi Chiave Implementati:

1. L2TAUNNTAG (Livello 2):

   • Sostituisce le sequenze cut-based L2 e L2.5 della Run 2.
   • Input: Utilizza informazioni globali (numero di vertici), proprietà del candidato L1 ($p_T$, $\eta$, isolamento), depositi di energia nel calorimetro (ECAL/HCAL) e, innovativamente, informazioni sui tracciati provenienti dal rivelatore a pixel tramite l'algoritmo PATATRACK (basato su GPU).
   • Architettura: Una CNN con input organizzati in una griglia 5x5 nel piano $\eta-\phi$, seguita da strati convoluzionali e fully connected.
   • Obiettivo: Ridurre il tasso di eventi mantenendo alta l'efficienza per i tau genuini.

2. DEEPTAU (Livello 3):

   • Implementazione online dell'algoritmo di identificazione offline DEEPTAU.
   • Input: Combina variabili di alto livello del candidato $\tau_h$ ricostruito (tramite l'algoritmo HPS - Hadron-Plus-Strips) con informazioni a basso livello dai sottorivelatori (tracker, calorimetri, muoni) all'interno di un cono di isolamento.
   • Semplificazioni: Per adattarsi ai vincoli temporali dell'HLT, alcune variabili (come i fit di qualità dei vertici primari) sono state rimosse, e i discriminanti contro elettroni e muoni sono stati omessi (poiché i leptoni non sono lo sfondo dominante per i tau adronici).
   • Output: Un punteggio di discriminazione contro i jet QCD.

Strategia di Addestramento:

• I modelli sono stati addestrati su campioni Monte Carlo (MC) arricchiti di tau (DY, $t\bar{t}$, W+jet) e campioni di fondo QCD.
• Sono stati applicati pesi per bilanciare le distribuzioni di $p_T$ e $\eta$, garantendo prestazioni uniformi in tutto lo spazio delle fasi.
• L'addestramento è stato eseguito con ottimizzatore Adam e criteri di early stopping.

3. Contributi Chiave

• Prima Implementazione ML in HLT per Tau: Questo lavoro segna la prima volta che algoritmi ML complessi (CNN) sono integrati nel flusso di trigger HLT per l'identificazione dei tau adronici.
• Integrazione di Tracciati GPU: L'uso di PATATRACK per fornire informazioni sui tracciati al livello L2 rappresenta un passo avanti significativo nell'utilizzo delle risorse GPU per il trigger.
• Ottimizzazione del Tasso di Eventi: Sostituzione efficace dei tagli rigidi con discriminanti neurali che offrono una migliore separazione segnale/fondo senza aumentare il carico computazionale.
• Validazione su Dati Reali: La prima valutazione completa delle prestazioni su dati reali della Run 3 (13.6 TeV).

4. Risultati

Le prestazioni sono state valutate confrontando i nuovi percorsi HLT con quelli basati su tagli della Run 2, utilizzando dati reali e simulazioni.

• Efficienza e Tasso (L2TAUNNTAG):

  • Nel percorso di-$\tau_h$, L2TAUNNTAG riduce il tasso di eventi al passo successivo rispetto all'approccio cut-based (da 6.1 kHz a 5.4 kHz simulati, 5.5 kHz osservati), mantenendo un tempo di elaborazione simile.
  • L'efficienza di selezione per tau genuini è migliorata in quasi tutto l'intervallo di $p_T$ visibile, specialmente nella regione centrale di $\eta$ (dove si concentrano i processi elettrodeboli e BSM).
  • Nel percorso single-$\tau_h$, l'introduzione di L2TAUNNTAG ha ridotto il tempo di elaborazione di circa il 40% mantenendo invariato il tasso di eventi e l'efficienza.

• Identificazione (DEEPTAU):

  • L'uso di DEEPTAU al livello L3 ha permesso di mantenere tassi di eventi simili alla Run 2 mentre si otteneva un'efficienza superiore nella maggior parte dell'intervallo di $p_T$.
  • Le curve di efficienza mostrano un "plateau" stabile e una robustezza rispetto al pile-up (NPV).

• Accordo Dati-Simulazione:

  • I fattori di scala (Scale Factors - SF) calcolati per correggere le differenze tra dati e simulazione sono vicini a 1.0 dopo la regione di "turn-on" (sopra i 60 GeV), indicando che la simulazione descrive bene il comportamento del trigger.
  • Le discrepanze a basso $p_T$ sono attribuite alla modellazione della risposta energetica dell'HCAL nelle simulazioni del 2022-2023.

5. Significato e Impatto

Questi sviluppi sono cruciali per il futuro della fisica del CMS:

1. Miglioramento della Raccolta Dati: Permettono di catturare un numero maggiore di decadimenti genuini di tau adronici a parità di risorse computazionali e budget di tasso, superando i limiti imposti dall'invecchiamento del rivelatore e dall'alto pile-up.
2. Fisica del Bosone di Higgs e BSM: L'aumento di efficienza è direttamente benefico per le misurazioni di precisione del bosone di Higgs ($H \to \tau\tau$) e per le ricerche di nuove particelle (come $Z'$ o Higgs pesanti) che decadono in tau.
3. Validazione dell'Infrastruttura: Conferma la fattibilità e l'efficacia dell'uso di algoritmi ML complessi e hardware GPU/TPU nel sistema di trigger online, aprendo la strada a ulteriori ottimizzazioni per le fasi future del LHC (HL-LHC).

In sintesi, il documento dimostra che l'integrazione di tecniche di Deep Learning nel trigger HLT di CMS ha risolto con successo il compromesso tra efficienza di selezione, tasso di eventi e costo computazionale, garantendo la qualità dei dati per la fisica di punta della Run 3.