Antineutron reconstruction in electromagnetic calorimeters with mixed-representation learning

Sintesi Tecnica: Ricostruzione di Antineutroni in Calorimetri Elettromagnetici tramite Apprendimento a Rappresentazione Mista

Definizione del Problema
La ricostruzione di adroni neutri a lunga vita (come antineutroni, neutroni e mesoni $K^0_L$) in esperimenti acceleratori nella scala dei GeV rimane un collo di bottiglia significativo. Queste particelle non producono traiettorie di ionizzazione nei sistemi di tracciamento, costringendo a fare affidamento sui sottosistemi calorimetrici. Tuttavia, i calorimetri elettromagnetici (ECAL) convenzionali sono ottimizzati per le cascate elettromagnetiche (bremsstrahlung e produzione di coppie) piuttosto che per le complesse interazioni adroniche (scattering nucleare, spallazione e annichilazione) caratteristiche degli adroni neutri. Di conseguenza, le interazioni degli antineutroni negli ECAL producono firme di deposizione di energia sparse, frammentate e non locali che i comuni algoritmi di clustering non riescono a ricostruire in modo robusto. Questa limitazione degrada la risoluzione della massa invariante, ostacola la soppressione del fondo e restringe la portata fisica degli esperimenti che studiano i decadimenti degli iperoni, la spettroscopia dei barioni e la ricerca di adroni esotici. Inoltre, gli approcci di apprendimento automatico (ML) esistenti per la ricostruzione calorimetrica si sono concentrati ampiamente sul regime operativo nativo del rivelatore o si sono basati su dati di simulazione che potrebbero non riflettere accuratamente le discrepanze del mondo reale, in particolare per gli adroni neutri nella regione sub-GeV.

Metodologia: Rete Calorimetrica a Rappresentazione Mista (MrCAL)
Per affrontare queste sfide, gli autori propongono un approccio di apprendimento a rappresentazione mista ispirato alla fisica, implementato tramite la Rete Calorimetrica a Rappresentazione Mista (MrCAL). L'intuizione centrale è che le risposte degli antineutroni negli ECAL esibiscono due regolarità distinte e complementari:

1. Livello di Singolo Evento: Le risposte sono sparse, stocastiche e spazialmente non locali, con depositi di energia distribuiti in regioni disconnesse.
2. Livello di Popolazione: Quando mediate su molti eventi, emerge un prior spaziale riproducibile, caratterizzato da una concentrazione centrale attorno al punto di incidenza e un profilo di attenuazione radiale di tipo diffusivo.

MrCAL integra questi pattern all'interno di un framework di object-detection unificato utilizzando due rami complementari:

• Ramo di Rappresentazione Visiva: Questo ramo mappa le letture delle celle del calorimetro su un'immagine 2D per catturare il prior spaziale statisticamente stabile e mediato. Utilizza un operatore di diffusione ispirato alla fisica (basato sull'equazione della conduzione del calore 2D) per codificare il pattern di centralità-e-diffusione, trasformando le attivazioni locali sparse in caratteristiche morfologiche di una cascata ampia. Il ramo utilizza un'architettura basata su RetinaNet con una Feature Pyramid Network (FPN) per eseguire l'object detection. Per gestire il fatto che l'oggetto target sia un punto di incidenza piuttosto che un'estensione fisica dell'oggetto, il metodo utilizza pseudo-bounding box centrati sulle posizioni di incidenza etichettate per la supervisione.
• Ramo di Rappresentazione Sequenziale: Questo ramo cattura le fluttuazioni evento per evento codificando le celle attive come una sequenza di token. Utilizza un'architettura basata su Transformer per modellare dipendenze a lungo raggio e correlazioni non locali tra i depositi dispersi, il che risulta più efficiente dal punto di vista informativo per eventi sparsi. Ogni token rappresenta l'energia e le coordinate angolari di un hit. Il ramo impiega una strategia di pre-addestramento "position-cloze", in cui il modello predice le coordinate angolari mascherate partendo da prompt di energia e dal contesto circostante, permettendogli di apprendere pattern spaziali senza fare affidamento esclusivamente sulle etichette di incidenza.
• Meccanismo di Fusione: I due rami operano in parallelo, elaborando gli stessi dati ECAL attraverso rappresentazioni diverse. Durante l'inferenza, i candidati rilevati da entrambi i rami vengono generati indipendentemente e poi riconciliati in base alla coerenza della classe, all'accordo angolare e ai punteggi di confidenza. L'output finale è un insieme unificato di predizioni per l'identità della particella, la direzione di incidenza e l'entità del momento.

Contributi Chiave e Risultati
Gli autori hanno valutato MrCAL utilizzando un vasto corpus di dati reali di collisione provenienti dall'esperimento BESIII, comprendente oltre 5 milioni di eventi attraverso 36 canali di decadimento (inclusi $J/\psi$, $\psi(2S)$ e dati di annichilazione $e^+e^-$). Lo studio ha utilizzato un campione bilanciato nel momento per l'addestramento e il test, con specifici canali tenuti isolati per i test di generalizzazione.

• Precisione Direzionale: MrCAL migliora significativamente la ricostruzione della direzione del momento dell'antineutrone. Rispetto a un baseline di clustering convenzionale, il bias angolare medio (mAB) è stato ridotto da $23.2^\circ$ a $11.8^\circ$ a piena efficienza in configurazioni a singola particella. Ciò rappresenta un miglioramento del 96% nella precisione direzionale.
• Entità del Momento: Per la prima volta, il lavoro dimostra la capacità di misurare direttamente l'entità del momento esclusivamente dalle letture ECAL per gli antineutroni. A 1 GeV/c, il modello raggiunge una risoluzione del momento di circa il 17% (specificamente il 17,6% per MrCAL), superando le risoluzioni tipiche dei calorimetri adronici dedicati nel regime sub-GeV.
• Robustezza e Generalizzazione: Il modello mantiene prestazioni stabili attraverso diversi regimi cinematici e ambienti complessi multi-particella (ad esempio, antineutroni accompagnati da fotoni). Nei test di generalizzazione che coinvolgono 13 canali completamente esclusi dall'addestramento, i miglioramenti della precisione direzionale sono persistiti, con guadagni medi del 59,8% in configurazioni a singola particella e del 31,0% in configurazioni multi-particella.
• Impatto sulla Fisica: I momenti quattro-vettori ricostruiti degli antineutroni sono stati utilizzati con successo per ricostruire particelle madri a vita breve (ad esempio, $\Lambda$, $\Sigma^\pm$, $J/\psi$), ottenendo picchi di massa invariante chiari con posizioni centrali non polarizzate. La risoluzione media della massa invariante è migliorata al 3,3% nelle configurazioni a singola particella.

Significatività e Rivendicazioni
Il documento sostiene che MrCAL sblocca una nuova capacità di misura per i sistemi ECAL legacy, espandendo efficacemente il loro ambito scientifico senza richiedere aggiornamenti hardware. Inquadrando la ricostruzione degli adroni neutri come un problema inverso risolvibile tramite l'apprendimento a rappresentazione mista, l'approccio mitiga un limite strutturale che è persistito in molti esperimenti di fisica delle particelle.

Gli autori sottolineano che il loro metodo è puramente algoritmico e può essere implementato su dati esistenti. Ciò è particolarmente significativo per esperimenti come BESIII, dove una migliore ricostruzione degli antineutroni avvantaggia direttamente le analisi di violazione di CP, violazione del numero quantico e spettroscopia dei barioni. Il lavoro suggerisce un cambiamento di paradigma più ampio in cui il design del rivelatore e la capacità rappresentativa del ML vengono co-ottimizzati, andando oltre la rigida separazione tra calorimetria elettromagnetica e adronica per sfruttare i dati grezzi ad alta granularità per l'inferenza guidata dal ML. I risultati indicano che i limiti di prestazione attuali sono probabilmente dettati dal design del rivelatore e dalle fluttuazioni intrinseche delle cascate adroniche piuttosto che da carenze algoritmiche.