⚛️ high-energy experiments

Local Diagnostics of Learned Event Representations for Anomaly Detection at the HL-LHC

Questo articolo valuta le strategie di embedding neurale supervisionate e auto-supervisionate per il rilevamento di anomalie all'HL-LHC utilizzando il dataset COLLIDE-2V, dimostrando che gli approcci supervisionati superano gli altri e introducendo una pipeline diagnostica locale che profila gli eventi segnalati e classifica gli osservabili per colmare il divario tra il rilevamento modello-agnostico e l'interpretazione fisica.

Autori originali: Donatella Genovese, Philip Ploner, Simone Scardapane, Stefano Giagu, Thea Klaeboe Aarrestad

Pubblicato 2026-10-12

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Donatella Genovese, Philip Ploner, Simone Scardapane, Stefano Giagu, Thea Klaeboe Aarrestad

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Ai confini dell'universo conosciuto, all'interno di una macchina grande quanto una piccola città, i protoni si scontrano a velocità vicine a quella della luce. Questo è il Large Had Collider, un laboratorio dove i fisici sperano di trovare crepe nel Modello Standard, il libro delle regole che descrive come si comportano le particelle fondamentali della natura. La maggior parte delle volte, queste collisioni producono uno spruzzo familiare di particelle che i fisici hanno già visto migliaia di volte in precedenza. Ma occasionalmente, accade qualcosa di strano: una collisione produce un modello di detriti che non si adatta al libro delle regole. Trovare questi rari eventi anomali è come cercare un singolo, unico granello di sabbia su una spiaggia che si estende per chilometri. La sfida è che la "spiaggia" è composta da miliardi di collisioni, e il "granello" potrebbe sembrare un normale sassolino finché non lo si esamina molto attentamente.

Per decenni, gli scienziati hanno cercato queste anomalie costruendo manualmente domande specifiche da porre ai dati. Stabilivano in anticipo che una nuova particella avrebbe potuto manifestarsi come un picco di energia specifico o un particolare angolo di volo, e poi costruivano strumenti per dare la caccia esattamente a quei segni. Questo approccio funziona bene quando si sa cosa si sta cercando, ma fallisce se la nuova fisica non somiglia affatto a ciò che ci si aspettava. Per risolvere questo problema, i ricercatori si sono rivolti all'intelligenza artificiale, insegnando ai computer a imparare la forma delle collisioni "normali" direttamente dai dati, senza dire loro cosa aspettarsi. Il computer costruisce una mappa mentale del familiare e, quando un nuovo evento cade al di fuori di quella mappa, alza una bandiera. Tuttavia, questo crea un nuovo problema: quando il computer segnala un evento, spesso non può spiegare il perché. Dice: "Questo è strano", ma non "È strano perché ha troppe particelle pesanti" o "È strano perché manca dell'energia". Senza tale spiegazione, i fisici non possono sapere se l'anomalia sia il segno di una nuova fisica o solo un guasto del rilevatore.

Un team di ricercatori ha ora sviluppato un modo per correggere questo punto cieco. Hanno testato le loro idee su un enorme dataset di 750 milioni di collisioni simulate, progettate per imitare le condizioni dell'LHC ad Alta Luminosità, il prossimo grande aggiornamento del collisore. Il loro obiettivo era duplice: prima, vedere se l'insegnamento al computer tramite esempi etichettati di fisica nota (come tipi specifici di collisioni di particelle) lo rendesse più bravo a individuare l'ignoto rispetto all'insegnamento senza etichette; secondo, costruire uno strumento diagnostico che potesse spiegare esattamente perché un evento segnalato fosse considerato strano. Hanno scoperto che il computer imparava molto meglio quando gli era permesso vedere i "nomi" dei tipi di collisione noti durante l'addestramento. Quando hanno usato queste rappresentazioni più intelligenti per dare la caccia alle anomalie, il sistema ha catturato più segnali rari e nascosti rispetto ai metodi più vecchi che si basavano su misurazioni progettate dall'uomo.

Ma la vera svolta è stata nell'esplicazione. I ricercatori hanno costruito una pipeline che prende un evento segnalato e lo colloca in un quartiere specifico all'interno della mappa mentale del computer. Hanno poi posto una domanda semplice: quali caratteristiche fisiche fanno sì che questo evento si distingua dai suoi vicini? Hanno testato questo su due tipi di segnali nascosti. Uno era un processo che produce quattro quark pesanti, e l'altro era una particella ipotetica che decade in molte coppie di muoni. Il sistema ha identificato correttamente che gli eventi a quattro quark erano strani perché contenevano un numero insolitamente alto di jet a sapore pesante, e che gli eventi a muoni erano strani perché avevano un numero insolitamente alto di leptoni. In altre parole, il computer non si è limitato a dire "questo è strano"; ha indicato la proprietà fisica specifica che rendeva quell'evento strano.

Interessantemente, lo studio ha rivelato una distinzione sottile ma importante nel modo in cui operano questi sistemi. Per gli eventi a muoni, il sistema ha identificato correttamente che il numero di muoni era la caratteristica definente che li separava dalle collisioni normali. Tuttavia, il "punteggio di stranezza" interno al computer non seguiva il numero di muoni più da vicino; invece, reagiva più fortemente ad altre caratteristiche secondarie della collisione. Ciò significa che, sebbene il sistema sia riuscito a isolare gli eventi strani, il motivo per cui ha assegnato loro un punteggio elevato era leggermente diverso dal motivo per cui erano fisicamente unici. Questa è un'intuizione cruciale per le ricerche future: sapere che un evento è un elemento anomalo non basta; gli scienziati devono anche capire quali variabili fisiche guidano la rilevazione. Combinando un potente metodo di apprendimento con uno strumento diagnostico locale, i ricercatori hanno mostrato una strada da seguire in cui l'intelligenza artificiale può non solo trovare l'ago nel pagliaio, ma anche descrivere la forma dell'ago, assicurando che, quando verrà fatta una scoperta, la comunità fisica sappia esattamente cosa ha trovato.

Sintesi Tecnica: Diagnostica Locale delle Rappresentazioni di Eventi Apprese per l'Anomaly Detection all'HL-LHC

Definizione del Problema

L'anomaly detection (AD) è una strategia primaria per la scoperta di nuova fisica al Large Hadron Collider (LHC), identificando eventi di collisione che deviano dalle aspettative del Modello Standard (SM). Le pipeline tradizionali di AD si affidano a osservabili ad alto livello (es. masse invarianti, momento trasverso) progettati manualmente, i quali sono limitati dalla completezza e dalla qualità delle feature scelte. Approcci recenti utilizzano il deep learning per apprendere rappresentazioni di eventi a bassa dimensionalità direttamente dai dati del detector a livello più basso, eliminando la necessità di una selezione a priori degli osservabili. Tuttavia, queste rappresentazioni apprese spesso mancano di un'immediata interpretabilità fisica. Esiste un vuoto critico nella "pipeline di scoperta": quando un modello segnala un evento come anomalo, non esiste un metodo sistematico per diagnosticare il perché sia stato segnalato, distinguere la potenziale nuova fisica da errori di modellazione o effetti del detector, o identificare gli specifici osservabili fisici che guidano l'anomalia. Questo articolo affronta la necessità di diagnostiche locali per interpretare le rappresentazioni apprese e gli score di anomalia da esse derivati.

Metodologia

Dataset e Rappresentazione dell'Evento

Lo studio utilizza COLLIDE-2V, un dataset di 750 milioni di eventi che simula le condizioni dell'High-Luminosity LHC (HL-LHC) con pileup realistico ( $\langle\mu\rangle=200$ ). Gli eventi sono elaborati al livello "Full-Reco", fornendo oggetti di particle-flow (jet, elettroni, muoni, fotoni e energia trasversa mancante) di qualità analitica.

Encoder: Un encoder Transformer mappa liste di lunghezza variabile di oggetti ricostruiti in uno spazio latente a dimensionalità fissa ( $z$ ).
Obiettivi di Addestramento: Gli autori confrontano quattro configurazioni basate su due funzioni di perdita (SimCLR e VICReg) sia in varianti auto-supervisionate che supervisionate:
- Auto-supervisionata: Si affida esclusivamente ad aumenti motivati dalla fisica (rotazione azimutale, boost longitudinale, smearing del $p_T$ , masking casuale) per definire la similarità.
- Supervisionata: Utilizza etichette di processi SM disponibili nella simulazione per raggruppare gli eventi per il sottostante processo di hard-scattering durante l'addestramento (SupCon e VCReg).
Anomaly Scoring: Un autoencoder viene addestrato esclusivamente sul background dominante dello SM (QCD-inclusive) all'interno dello spazio latente appreso. L'errore di ricostruzione funge da score di anomalia.

Pipeline di Diagnostica Locale

Per interpretare gli eventi segnalati, gli autori introducono un framework diagnostico leggero e privo di etichette:

Partizionamento: Un modello a miscela gaussiana (GMM) viene adattato alle embedding dello SM durante l'addestramento per partizionare lo spazio latente in $K$ componenti.
Profiling senza etichette: Ogni componente GMM è caratterizzata dalle distribuzioni degli osservabili ad alto livello (es. $H_T$ , $n_{jets}$ , $n_{b-tag}$ ) sugli eventi SM che contiene, stabilendo una baseline fisica senza etichette di processo.
Localizzazione: Gli eventi di segnale segnalati vengono assegnati alla componente GMM con la più alta responsabilità posteriore.
Separazione Locale: All'interno delle componenti dominanti, gli osservabili sono classificati in base alla loro capacità di separare il segnale segnalato dal background SM locale utilizzando la distanza di Wasserstein-1.
Correlazione dello Score: La correlazione di Spearman tra lo score di anomalia e gli osservabili fisici viene calcolata per determinare se lo score segue l'osservabile specifico che definisce l'anomalia.

Contributi Chiave

Confronto delle Strategie di Embedding: Gli autori dimostrano che, sotto un backbone Transformer condiviso, gli obiettivi supervisionati (SupCon e VCReg) che sfruttano le etichette dei processi SM producono spazi latenti significativamente più informativi rispetto alle controparti auto-supervisionate (SimCLR e VICReg), come misurato dalla qualità del linear-probe.
Performance di Anomaly Detection: Nelle loro migliori configurazioni, gli spazi latenti supervisionati migliorano l'efficienza del segnale rispetto a un autoencoder addestrato direttamente sulle feature cinematiche grezze in tutti i processi testati. Nello specifico, VCReg con $d_{model}=256$ ha raggiunto un'efficienza del segnale del 97,2% al 10% di accettanza del background per il proxy $HH \to 4b$ .
Framework di Diagnostica Locale: Il paper introduce una pipeline che localizza gli eventi segnalati nello spazio latente, profila il background SM circostante usando osservabili ad alto livello e classifica le variabili per potere discriminante locale. Questo framework recupera con successo la fisica definitoria dei processi testati (contenuto di heavy-flavour per $HH \to 4b$ e molteplicità leptonica per $Z' \to n(\mu\mu)$ ).
Disaccoppiamento tra Score e Fisica: Lo studio rivela una distinzione critica tra l'osservabile che meglio separa un segnale dal background locale e l'osservabile più correlato allo score di anomalia. Per il segnale $Z'$ , la molteplicità leptonica era il discriminante locale più forte, ma lo score di anomalia era più fortemente correlato con le feature cinematiche secondarie (es. $H_T$ , $M_{jj}$ ), evidenziando che le metriche di performance globali non catturano completamente il comportamento del modello di scoring.

Risultati

Qualità dell'Embedding: I modelli supervisionati (VCReg, SupCon) hanno raggiunto punteggi AUROC medi macro su un linear probe di $\approx 0,90$ su 12 classi SM, superando i modelli auto-supervisionati (SimCLR: $\approx 0,87$ , VICReg: $\approx 0,77$ ) e le baseline di feature grezze ( $\approx 0,87$ ).
Efficienza di Rilevamento: Sul segnale $HH \to 4b$ , la migliore configurazione supervisionata (VCReg, $d=256$ ) ha raggiunto un'efficienza del segnale del 97,2% al 10% di accettanza del background, rispetto al 77,3% dell'autoencoder su feature grezze. Per il segnale $Z'$ , tutte le configurazioni supervisionate (eccetto VCReg con $d=32$ ) hanno superato l'efficienza della baseline del 96,8%.
Insight Diagnostici:
- $HH \to 4b$ : Gli eventi segnalati si sono localizzati principalmente nelle componenti GMM C4 e C5. La classificazione locale ha identificato correttamente $n_{b-tag}$ come il principale discriminante. Lo score di anomalia correlava più fortemente con $n_{b-tag}$ ( $\rho=0,43$ ), indicando che lo score segue la fisica definitoria.
- $Z' \to n(\mu\mu)$ : Gli eventi segnalati si sono localizzati quasi interamente nella componente C2. Sebbene $n_{leptons}$ fosse il principale discriminante ( $W_1 = 8,61$ ), lo score di anomalia mostrava solo una debole correlazione con la molteplicità leptonica ( $\rho \approx 0,30$ ) ma correlazioni più forti con $H_T$ e $M_{jj}$ . Ciò suggerisce che la rappresentazione instrada il segnale verso una specifica regione leptonica, ma l'errore di ricostruzione in quella regione è guidato da altre variazioni cinematiche.

Significato e Rivendicazioni

Il paper sostiene che, affinché l'anomaly detection sia una parte valida di una pipeline di scoperta, gli eventi segnalati debbano essere diagnosticati localmente per distinguere la nuova fisica dagli artefatti e per guidare ricerche mirate. Gli autori affermano che il loro framework diagnostico fornisce un ponte necessario tra la natura "black box" delle rappresentazioni apprese e gli osservabili fisici necessari per l'interpretazione.

Il lavoro evidenzia come, sebbene l'apprendimento supervisionato sui dati simulati offra attualmente prestazioni e interpretabilità superiori, esso dipenda da etichette di processo non disponibili nei dati reali di collisione. Di conseguenza, gli autori osservano che lo sviluppo di rappresentazioni auto-supervisionate robuste rimane una direzione futura critica per ridurre la dipendenza dall'accuratezza della simulazione e consentire l'apprendimento direttamente dai dati sperimentali. Il paper conclude che l'analisi combinata della separazione locale e della correlazione dello score offre approfondimenti sul comportamento del modello di scoring di anomalia che non possono essere inferiti dalle sole metriche di performance globali.