Calibration of electromagnetic shower features in the CMS calorimeter with machine-learning techniques

Nel mondo della fisica delle alte energie, gli scienziati non si limitano a osservare le particelle; le costruiscono, almeno nella loro mente. Per comprendere cosa accada quando i protoni si scontrano a velocità prossime a quella della luce, i ricercatori si affidano a vastissime simulazioni al computer. Questi modelli digitali agiscono come uno specchio della realtà, prevedendo come le particelle dovrebbero comportarsi, come dovrebbero disperdersi e come dovrebbero lasciare il segno in un rilevatore. Se la simulazione corrisponde ai dati reali raccolti dalle gigantesche macchine, gli scienziati possono fidarsi del modello per rivelare i segreti dell'universo. Ma se la simulazione è leggermente errata — se rappresenta male il modo in cui una particella genera cascate di energia o interagisce con il materiale del rilevatore — quegli piccoli errori possono trasformarsi in grandi sbagli, nascondendo nuove scoperte o creandone di false. L'obiettivo è sempre quello di rendere lo specchio digitale il più perfetto possibile, affinché quando uno scienziato vede un segnale nei dati, sappia che è reale e non solo un glitch nel codice.

Questa è la sfida affrontata dalla Collaborazione CMS, un team di fisici che lavora con il rivelatore Compact Muon Solenoid presso il CERN. In uno studio recente, hanno affrontato un problema persistente: le loro simulazioni al computer delle cascate elettromagnetiche — cascate di energia prodotte da elettroni e fotoni — non corrispondevano perfettamente ai dati reali raccolti durante le collisioni protone-protone nel 2022. Le discrepanze erano sottili ma significative, in particolare nella forma dei depositi di energia e in quanto le particelle fossero isolate dal loro ambiente circostante. Per risolvere il problema, il team si è rivolto all'apprendimento automatico (machine learning), non per sostituire i loro modelli fisici, ma per insegnare alle simulazioni come apparire più simili alla realtà. Hanno sviluppato due metodi distinti per ricalibrare gli eventi digitali, addestrando efficacementamente il computer a correggere i propri errori prima ancora che i dati venissero analizzati.

I ricercatori sono partiti da un campione di eventi pulito e ben compreso: il decadimento di un bosone Z in un elettrone e una positrona. Selezionando questi eventi specifici, potevano isolare un flusso puro di cascate elettromagnetiche, privo del rumore derivante da altre interazioni tra particelle. Hanno poi confrontato le caratteristiche di queste cascate nella loro simulazione con le caratteristiche osservate nei dati reali raccolti dal rivelatore CMS. I dati provenivano da 26,7 femtobarn inversi di collisioni a un'energia nel centro di massa di 13,6 tera-electronvolt. La simulazione, pur essendo generalmente buona, mostrava deviazioni nel modo in cui l'energia si distribuiva attraverso i cristalli del rivelatore e in quanta energia trapelasse nelle aree circostanti. Queste differenze significavano che gli algoritmi di identificazione delle particelle del computer, che decidono se un segnale sia un vero elettrone o un falso positivo (background), venivano alimentati con informazioni leggermente errate.

Per colmare questo divario, il team ha applicato due diverse tecniche di machine learning. Il primo approccio, chiamato riponderazione (reweighting), funziona assegnando un nuovo punteggio di importanza a ogni singolo evento simulato. Immaginate un'aula dove l'insegnante chiede agli studenti di alzare la mano se corrispondono a una certa descrizione. Se la simulazione ha troppi pochi studenti che corrispondono a quella descrizione rispetto alla classe reale, l'insegnante dice a quei pochi studenti di contare come due o tre persone. Allo stesso modo, il classificatore di machine learning ha imparato a distinguere tra la simulazione e i dati reali. Ha poi calcolato un rapporto, dicendo efficacementamente alla simulazione: "Questo evento somiglia un po' ai dati reali, quindi conta di più", oppure "Questo evento è troppo diverso, quindi conta meno". Questo metodo ha regolato la probabilità di accadimento di ogni evento senza cambiare l'evento stesso, creando una correzione continua che poteva essere applicata attraverso uno spazio complesso e ad alta dimensionalità di caratteristiche.

Il secondo metodo, noto come flusso di normalizzazione (normalizing flow), ha intrapreso una via più diretta. Invece di limitarsi a cambiare quanto un evento conti, questa tecnica ha alterato fisicamente i valori delle caratteristiche all'interno della simulazione. Ha appreso una trasformazione matematica capace di modellare la distribuzione delle cascate simulate nella distribuzione delle cascate reali. Se una cascata simulata era troppo stretta, il flusso la allargava; se era troppo isolata, il flusso la avvicinava ai suoi vicini. Questo processo era simile alla modellazione dell'argilla: il materiale rimaneva lo stesso, ma la sua forma veniva adattata per corrispondere a uno stampo. Fondamentalmente, questa trasformazione è stata appresa in modo condizionale alle proprietà cinematiche dell'evento, come la quantità di moto e la posizione della particella, garantendo che la correzione fosse applicata correttamente indipendentemente da dove o quanto velocemente la particella si muovesse.

Entrambi i metodi sono stati testati su un set separato di dati che gli algoritmi non avevano visto durante l'addestramento. I risultati sono stati sorprendenti. Prima della correzione, i punteggi di identificazione delle particelle simulati mostravano evidenti discrepanze con i dati reali, in particolare nelle code delle distribuzioni dove avvengono gli eventi rari. Dopo l'applicazione delle correzioni di riponderazione o di flusso di normalizzazione, l'accordo tra la simulazione e i dati è migliorato drasticamente. Le forme delle distribuzioni si sono allineate e le discrepanenze che precedentemente richiedevano ampi margini di sicurezza nelle misurazioni scientifiche sono state significativamente ridotte. I ricercatori hanno scoperto che entrambi i metodi hanno corretto con successo lo spazio delle caratteristiche ad alta dimensionalità, catturando non solo le singole variabili, ma anche le complesse correlazioni tra di esse.

Tuttavia, i due metodi presentavano punti di forza e limiti differenti. Il metodo della riponderazione era eccellente nel preservare la struttura complessiva della simulazione pur regolando i pesi, ma poteva talvolta incontrare difficoltà in regioni in cui la simulazione e i dati erano molto diversi, portando a grandi correzioni dei pesi che riducevano il potere statistico del campione. In alcuni casi, il team ha dovuto escludere determinate caratteristiche dall'addestramento per evitare tali grandi fluttuazioni. Il metodo del flusso di normalizzazione, d'altro canto, è stato in grado di gestire le grandi discrepanze con maggiore grazia, modificando direttamente i dati, ma richiedeva che le caratteristiche corrette venissero rivalutate attraverso l'algoritmo di identificazione delle particelle, aggiungendo un passaggio al processo. Inoltre, mentre il metodo della riponderazione preservava naturalmente le leggi della fisica lasciando invariati i valori degli eventi, il metodo del flusso di normalizzazione doveva essere monitorato attentamente per garantire che non creasse configurazioni non fisiche, sebbene il team abbia ritenuto tale rischio trascurabile per la loro specifica applicazione.

Lo studio ha dimostato che queste tecniche di machine learning possono essere applicate con successo ai dati reali di collisione, un passo avanti significativo rispetto ai test precedenti che si basavano solo su pseudo-dati simulati. Correggendo la simulazione per farla corrispondere ai dati, i ricercatori hanno dimostrato di poter ridurre le incertezze sistematiche che solitamente affliggono tali misurazioni. Ciò significa che le analisi future, come quelle alla ricerca del bosone di Higgs che decade in due fotoni, possono essere eseguite con maggiore precisione. Il lavoro ha inoltre evidenziato l'importanza di identificare dove le simulazioni falliscono; le grandi correzioni richieste dagli algoritmi hanno indicato direttamente aree specifiche nella modellazione del rivelatore, come le soglie di rumore nel calorimetro ad adroni, che il team è stato poi in grado di correggere per le iterazioni future della simulazione.

In definitiva, questa ricerca fornisce un nuovo strumento ai fisici delle particelle. Dimostra che il machine learning può fare molto di più che classificare le particelle; può agire come uno strumento di calibrazione, insegnando alle simulazioni a essere più oneste riguardo alla realtà che cercano di descrivere. Offrendo correzioni continue e non binate attraverso spazi ad alta dimensionalità, questi metodi permettono agli scienziati di andare oltre i semplici aggiustamenti per classi (bin), che spesso perdono le sfumature dei dati complessi. Il successo di queste tecniche nel rivelatore CMS suggerisce che diventeranno una parte standard della catena di analisi, aiutando ad affinare la ricerca di nuova fisica e garantendo che i segnali trovati dagli scienziati siano il più chiari e affidabili possibile. L'articolo conclude che, sebbene i metodi siano potenti, devono essere applicati con cura, comprendendo le loro specifiche limitazioni e la natura dei dati che stanno correggendo, per garantire che lo specchio digitale rifletta l'universo con la massima possibile fedeltà.