Using Graph Neural Networks for hadronic clustering and to reduce beam background in the Belle~II electromagnetic calorimeter

Questo lavoro propone l'uso di reti neurali grafiche per migliorare il clustering adronico e ridurre il rumore di fondo nel calorimetro elettromagnetico di Belle II, affrontando le sfide poste dalle elevate luminosità e dalle interazioni adroniche irregolari attraverso l'identificazione e la rimozione preventiva dei depositi di energia indesiderati.

L'essenziale

Immagina il Belle II come un gigantesco, super-preciso "occhio" elettronico che osserva le collisioni di particelle, come se fosse un fotografo che scatta milioni di foto al secondo per capire come è fatto l'universo. Questo occhio è fatto di 8.376 cristalli (come piccoli cubetti di ghiaccio speciale) che brillano quando una particella li colpisce.

Il problema è che ultimamente, l'acceleratore di particelle (SuperKEKB) sta lavorando così velocemente che sta creando un caos di "rumore". È come se il fotografo scattasse foto in mezzo a un temporale: oltre alle particelle interessanti (i "soggetti" della foto), ci sono milioni di scintille casuali (il "rumore" di fondo) che confondono il sistema.

Ecco come la ricerca di Jonas Eppelt e Torben Ferber cerca di risolvere il problema, spiegata con parole semplici:

1. Il Problema: Troppi "Falsi Allarmi"

Attualmente, il computer che analizza i dati funziona un po' come un bambino che conta le macchie di luce.

• Come funziona ora: Se un cristallo brilla forte, il computer dice: "Ecco un oggetto!". Se i cristalli vicini brillano, li unisce in un "gruppo" (un cluster).
• Il guaio: Con il nuovo "rumore" di fondo, ci sono troppi cristalli che brillano per caso. Il computer pensa che questi siano oggetti reali e crea gruppi fittizi. Inoltre, quando una particella reale (come un neutrone) colpisce i cristalli, si comporta in modo strano e irregolare, creando gruppi spezzati che il computer non sa come unire.
• La conseguenza: Il computer si confonde, crea "fantasmi" (gruppi di particelle che non esistono) e perde la posizione precisa delle particelle vere. È come cercare di leggere un libro mentre qualcuno ti sta lanciando confetti in faccia.

2. La Soluzione: Un "Detective" Intelligente (La Rete Neurale a Grafo)

Gli autori propongono di usare un'intelligenza artificiale speciale chiamata Rete Neurale a Grafo (GNN). Per capirla, usiamo un'analogia:

Immagina che ogni cristallo acceso sia un personaggio in una storia.

• Il vecchio metodo: Guardava solo se un personaggio era "forte" (aveva molta energia) e basta.
• Il nuovo metodo (GNN): È come un detective privato che non guarda solo il singolo personaggio, ma osserva come tutti i personaggi si parlano tra loro.
  • Il detective sa che i cristalli sono disposti in modo strano (non sono tutti uguali).
  • Invece di contare solo le scintille, il detective analizza la "forma" della conversazione tra i cristalli vicini.
  • Se un gruppo di cristalli si comporta in modo "strano" (come fanno le particelle di fondo o i neutrini dispersi), il detective dice: "Ehi, questo non è un oggetto reale, è solo rumore! Tagliamolo fuori".

3. Come si è addestrato il Detective?

Per insegnare al detective a riconoscere i "cattivi", gli scienziati hanno usato un trucco intelligente:

1. Hanno simulato milioni di collisioni al computer.
2. Hanno etichettato manualmente quali cristalli erano "rumore" (fondo del fascio) e quali erano "segnale" (particelle vere).
3. Hanno insegnato al detective a riconoscere i "fantasmi" prima ancora che il computer provasse a unire i gruppi.

4. I Risultati: Una Pulizia Mirata

I risultati sono promettenti:

• Contro il rumore di fondo: Il detective è bravissimo. Riesce a eliminare circa il 90-95% dei falsi allarmi causati dal rumore dell'acceleratore, senza toccare le particelle vere.
• Contro le particelle "strane" (neutroni): È più difficile, perché queste particelle si comportano in modo simile al rumore. Qui il detective riesce a togliere circa il 40% dei gruppi sbagliati, specialmente nella zona centrale del rivelatore.

In Sintesi

Invece di cercare di pulire la stanza dopo che il caos è già scoppiato, questo nuovo metodo usa un'intelligenza artificiale che prevede il caos. Agisce come un filtro intelligente che, prima di scrivere il "libro della storia" (i dati finali), cancella le righe che sono state scritte a caso dal vento (il rumore), lasciando solo la storia vera e precisa delle particelle.

Questo permette al rivelatore Belle II di continuare a funzionare perfettamente anche quando l'acceleratore lavora alla massima velocità, garantendo che gli scienziati non perdano nessun dettaglio importante dell'universo.

Sommario tecnico

Titolo: Utilizzo di Reti Neurali a Grafo (GNN) per il clustering adronico e la riduzione del fondo di fascio nel calorimetro elettromagnetico di Belle II

1. Il Problema

L'esperimento Belle II, situato all'acceleratore SuperKEKB in Giappone, ha raggiunto luminosità istantanee record (vicino a $5 \times 10^{34} \, \text{cm}^{-2}\text{s}^{-1}$). Questo aumento di prestazioni ha introdotto sfide critiche per il Calorimetro Elettromagnetico (ECL), composto da 8376 cristalli scintillanti CsI(Tl):

• Aumento del fondo: Le alte luminosità hanno incrementato i tassi di fondo (scattering su gas residuo, effetto Touschek, scattering Bhabha radiativo, radiazione di sincrotrone), portando a un maggior numero di cristalli con deposizioni di energia e a un aumento dell'energia totale misurata.
• Degrado delle prestazioni: Il fondo elevato peggiora la risoluzione energetica dei fotoni e genera un numero eccessivo di "cluster fantasma" (falsi positivi).
• Natura delle interazioni adroniche: A differenza delle particelle elettromagnetiche ($\gamma, e^\pm$), gli adroni producono deposizioni di energia irregolari e talvolta disconnesse. Questo porta alla creazione di "split-off" (particelle secondarie, spesso neutroni, che interagiscono a distanza) e a Local Maxima (LM) multipli all'interno di uno stesso evento.
• Limiti dell'algoritmo attuale: L'algoritmo di clustering attuale si basa sull'identificazione di Local Maxima (LM) con energia $>10$ MeV. Un eccesso di LM (causato dal fondo o da split-off) porta a:
  • Tempi di esecuzione più lunghi.
  • Aumento delle dimensioni dei file di dati.
  • Split accidentali di cluster reali.
  • Difficoltà nel bilanciare l'energia totale misurata con l'energia nota della collisione.

2. Metodologia

Gli autori propongono un approccio basato su Reti Neurali a Grafo (GNN) per classificare e rimuovere i LM indesiderati prima della fase di clustering tradizionale.

• Rappresentazione dei Dati:

  • I cristalli con deposizione di energia sono rappresentati come nodi di un grafo.
  • Il grafo cattura la sparsità dell'input e gestisce la disposizione asimmetrica dei sensori dell'ECL.
  • Gli archi sono pre-calcolati (grafo completamente connesso per grafi di piccole dimensioni) per evitare il calcolo costoso dei K-nearest neighbors durante l'addestramento.
  • Feature dei nodi: Energia misurata, tempo, informazioni dettagliate dal fit del template dell'impulso (pulse-shape) e massa del cristallo (per la geometria).

• Definizione delle Etichette di Addestramento (Ground Truth):
  Utilizzando il framework di simulazione basf2 e Geant4, i LM sono classificati in quattro categorie:

  1. Fondo di fascio (Beam Background): LM con $<20$ MeV depositati da particelle simulate.
  2. LM duplicati: LM non associati a nessuna particella simulata (spesso residui di split errati).
  3. Split-off: Particelle secondarie (principalmente neutroni) create durante lo sviluppo della doccia adronica che viaggiano per distanze significative prima di interagire di nuovo.
  4. Segnale (Signal): LM associati a particelle primarie o "proxy" (discendenti di particelle primarie non rilevabili direttamente).
  • Nota tecnica: Sono state introdotte nuove condizioni per lo storage delle particelle secondarie nella simulazione per identificare correttamente gli split-off, basandosi su energia cinetica e distanza tra vertice di produzione e decadimento.

• Architettura del Modello:

  • Il modello segue un'architettura simile a lavori precedenti, utilizzando un Global Exchange per appendere medie globali alle feature dei nodi.
  • Include strati di normalizzazione (BatchNorm) e layer lineari per gli embedding dei nodi.
  • Utilizza un blocco di Message Passing modificato (basato su GravNet ma senza calcolo KNN) con connessioni residue (skip connections).
  • L'output è una classificazione binaria: LM di segnale vs. LM di fondo (combinando fondo di fascio, duplicati e split-off).
  • Addestramento: Utilizza 20.000 eventi $\Upsilon(4S) \to B\bar{B}$ e 10.000 eventi $e^+e^- \to \phi \to K_L K_S \gamma$. Viene impiegato lo Stochastic Weighted Averaging (SWA) per stabilizzare l'addestramento. La funzione di perdita è l'errore quadratico medio (MSE).

3. Risultati Chiave

Il modello è stato valutato su eventi simulati con overlay di fondo di fascio nelle stesse condizioni di addestramento, focalizzandosi sulla finestra energetica 20-100 MeV.

• Rimozione del Fondo di Fascio: Il classificatore raggiunge un'efficienza di rimozione fino al 95% per i LM causati dal fondo di fascio, mantenendo un'efficienza di segnale del 95% (punto di lavoro fissato).
• Rimozione di Split-off e Cluster Errati:
  • La separazione è più difficile poiché le firme fisiche sono simili a quelle del segnale.
  • Nella regione del Barrel, sopra i 50 MeV, si ottiene un tasso di rifiuto di circa il 40%. Questo miglioramento è dovuto alla maggiore precisione del fit dell'impulso (pulse-shape) a energie più elevate, che fornisce informazioni temporali più affidabili.
  • Nelle regioni di Endcap (specialmente quello posteriore), l'efficienza è inferiore a causa dell'alto livello di fondo che rende difficile la separazione dal segnale.
• Efficienza Complessiva: Mediando su tutti i tipi di fondo, l'efficienza di rifiuto è circa il 75% a basse energie, scendendo al 30-50% nelle regioni a fondo più basso o dove il segnale è dominante.

4. Contributi Principali

1. Nuovo Approccio di Pre-filtraggio: Introduzione di un GNN per identificare e rimuovere i LM indesiderati prima dell'algoritmo di clustering, mitigando i problemi di runtime e di sovrapposizione dei cluster.
2. Definizione Rigorosa degli Split-off: Sviluppo di una nuova logica di simulazione per etichettare correttamente le particelle secondarie (split-off) che altrimenti verrebbero attribuite erroneamente alla particella primaria, permettendo un addestramento supervisionato accurato.
3. Ottimizzazione Architetturale: Adattamento di architetture GNN (modifiche a GravNet) per gestire grafi piccoli e densi tipici dei dati del calorimetro, migliorando la velocità di convergenza e la stabilità.
4. Analisi Dipendente dalla Regione: Implementazione di soglie di decisione (working points) calcolate separatamente per le tre regioni del rivelatore (Forward, Barrel, Backward) e per bin di energia, per massimizzare le prestazioni in contesti eterogenei.

5. Significato e Prospettive

Questo lavoro dimostra che l'uso di tecniche di Machine Learning avanzate, in particolare le GNN, è fondamentale per gestire le sfide poste dalle alte luminosità dell'acceleratore SuperKEKB.

• Impatto Immediato: La rimozione selettiva del fondo migliora la risoluzione energetica dei fotoni e riduce la quantità di dati spurii, ottimizzando l'uso delle risorse di calcolo e di archiviazione.
• Impatto Futuro: Le metodologie sviluppate per la classificazione dei LM e la comprensione dettagliata delle simulazioni Geant4 gettano le basi per futuri sviluppi, in particolare per la previsione dell'energia dei cluster basata su GNN, promettendo di migliorare ulteriormente le prestazioni fisiche dell'esperimento Belle II.