Selection and processing of calibration samples to measure the particle identification performance of the LHCb experiment in Run 2

この論文は、LHCb 実験のラン 2 におけるオンラインイベント再構成を活用した新たな計算モデルに基づき、粒子識別（PID）性能の測定およびデータ品質監視のために校正サンプルを選別・処理する手法と、その具体的な応用について論じている。

要約

この論文は、CERN（欧州原子核研究機構）の「LHCb」という巨大な実験装置が、2015 年から始まった第 2 期の運転（ラン 2）で、「粒子を正確に見分ける能力（PID）」をどうやって測り、管理しているかという、非常に重要な「品質管理マニュアル」のようなものです。

専門用語を避け、わかりやすい比喩を使って解説します。

1. 舞台設定：巨大な「粒子の検問所」

LHCb は、素粒子の衝突実験を行う巨大な装置です。ここには、**「粒子の検問所」**のような役割をする複数のセンサー（カメラやレーダー）が備わっています。

• 電子、ミューオン、パイオン、カオン、陽子など、さまざまな種類の「犯人（粒子）」が通ります。
• 物理学者たちは、これらの粒子が「誰（何種類）」かを正確に見分けることが、新しい物理の発見（新物理）に不可欠です。

しかし、センサーは完璧ではありません。雨の日や機械の劣化で、**「カオンをパイオンと間違えてしまう」**といったミスが起きる可能性があります。

2. 課題：「完璧なテスト問題」を作るのは難しい

「この検問所がどれだけ正確に犯人を見分けられるか」を調べるには、**「正解がわかっているテスト問題（校正サンプル）」**が必要です。

• 昔（ラン 1）は、後からデータを整理して「これがおそらく正解だ」と推測してテスト問題を作っていました。
• しかし、ラン 2 ではデータ量が爆発的に増え、後から整理するだけでは追いつきません。また、推測には「バイアス（偏り）」が入る恐れがあります。

3. 解決策：「生きたテスト問題」をリアルタイムで用意する

この論文が提案しているのは、「最初から正解がわかっている、偏りのないテスト問題（校正サンプル）」を、実験中にリアルタイムで自動的に選りすぐって集めるという新しい仕組みです。

比喩：「スーパーのレジと倉庫」

• オンライン（リアルタイム）処理：
  実験中に、特定の条件（例：「J/ψという粒子が 2 つのミューオンに崩壊した」など、見分けがつかない粒子が混じっていない純粋な状態）を満たすイベントを、**「スーパーのレジ」**のように即座に選りすぐります。ここで「粒子の種類」を判断するフィルターはかけず、純粋な「形」だけで選びます。
• オフライン（後処理）処理：
  選りすぐったデータは、**「倉庫」**に保存されます。後から、より高度なアルゴリズムを使って、もう一度丁寧に粒子を見分けます。
• TurboCalib（新しいデータ形式）：
  選りすぐったデータには、**「レジで見た情報（オンライン）」と「倉庫で詳しく調べた情報（オフライン）」**の両方がセットで保存されます。これにより、「レジの判断」と「倉庫の判断」を比べることで、装置の性能を正確に測れます。

4. 具体的なテクニック：「タグ＆プローブ」

どうやって「正解がわかっている」サンプルを作るのでしょうか？ここでは**「タグ＆プローブ（目印と探り）」**という方法が使われます。

• 例：ミューオンのテスト
  1. タグ（目印）： すでに確実に見分けがついた「ミューオン」を 1 つ見つけます（これが「目印」）。
  2. プローブ（探り）： その目印と対になるもう 1 つの粒子を、**「粒子の種類を一切言わずに」**選びます（これが「探り」）。
  3. 結果： 「目印」と「探り」を合わせると、J/ψという粒子の質量になることがわかっています。つまり、「探り」は**「間違いなくミューオン」**です。
  4. 測定： この「間違いなくミューオン」の粒子が、センサーに「ミューオン」として正しく認識されたかどうかを調べます。

これをパイオン、カオン、陽子など、すべての粒子種に対して行い、**「どの速度・どの角度の粒子なら、どれくらい正確に見分けられるか」**という地図（性能マップ）を作成します。

5. なぜこれがすごいのか？

• 偏りのないデータ： 粒子の種類で選んでいないので、どんな状況でも公平に測れます。
• リアルタイム性： 実験中にすぐに結果が出せるので、もしセンサーに不具合が起きてもすぐに気づけます（品質管理）。
• シミュレーションの修正： 計算機シミュレーション（コンピュータ上の仮想実験）は、実際の装置と少しズレることがあります。この「実測データ」を使って、シミュレーションを「補正」することで、より正確な研究が可能になります。

6. まとめ：未来への架け橋

この論文は、LHCb 実験が**「大量のデータを、いかに効率的かつ正確に、品質を保ちながら処理するか」**という、現代のビッグデータ時代における「品質管理の黄金律」を確立したことを示しています。

この新しい仕組みは、次のステップである**「ラン 3（2022 年以降）」**でもさらに進化し、すべてのデータを「生データ」ではなく「選りすぐられた候補データ」だけで処理する時代（データが溢れるため、生データを保存できない未来）に向けて、実験の信頼性を支える重要な基盤となっています。

一言で言えば：
「粒子を見分けるセンサーの『検定試験』を、実験中にリアルタイムで、偏りなく、大量に行えるようにした新しい『自動採点システム』の開発報告書」です。

技術概要

LHCb 実験 Run 2 における粒子識別（PID）性能測定のための較正サンプルの選択と処理に関する技術的サマリー

1. 背景と課題 (Problem)

LHCb 実験は、LHC（大型ハドロン衝突型加速器）の Run 2（2015-2018 年）において、B 中間子や D 中間子などの重クォークハドロンにおける CP 対称性の破れや稀有崩壊を研究することを目的としています。これらの物理解析において、電子、ミューオン、パイオン、カオン、陽子などの荷電粒子を正確に識別する粒子識別（PID）性能は極めて重要です。

Run 2 における主な課題は以下の通りでした：

• トリガーとオフラインの統合: LHCb は、オンライン（トリガー内）でイベントの完全な再構成を行う新しいトリガーモデルを採用しました。これにより、従来のオフライン再構成に依存しないデータ処理が可能になりましたが、PID 性能を評価するための較正サンプルを、オンラインとオフラインの両方の再構成情報と整合性を持って処理・保存する新たな計算モデルが必要となりました。
• バイアスの排除: PID 性能を測定するには、PID 情報自体に依存しない「較正サンプル」が必要です。しかし、ハードウェアトリガーやソフトウェアトリガーの事前選別が PID 変数にバイアスをもたらす可能性があり、これを回避する戦略が求められました。
• スケーラビリティ: 統計精度を高めるために大規模な較正サンプルが必要となる中、従来の方法ではデータ保存や処理の面でスケーラビリティの限界がありました。

2. 手法と技術的アプローチ (Methodology)

2.1 較正サンプルの選択戦略

LHCb は、特定の崩壊モードを用いて、PID 情報に依存せずに粒子を同定できる「タグ・アンド・プローブ（Tag-and-Probe）」法に基づいた 20 種類以上のトリガー選別戦略を開発しました。

• サンプルの例:
  • ミューオン: $J/\psi \to \mu^+\mu^-$、$B^+ \to J/\psi K^+$ ($J/\psi \to \mu^+\mu^-$)
  • 電子: $J/\psi \to e^+e^-$
  • パイオン: $K^0_S \to \pi^+\pi^-$、$D^{*+} \to D^0\pi^+$ ($D^0 \to K^-\pi^+$)
  • カオン: $D^{*+} \to D^0\pi^+$、$D^+_s \to \phi\pi^+$ ($\phi \to K^+K^-$)
  • 陽子: $\Lambda^0 \to p\pi^-$、$\Lambda^+_c \to pK^-\pi^+$
• バイアス回避: トリガー選別において、PID 変数に直接依存しないアルゴリズムを使用するか、PID 選別を測定対象外の粒子（タグ粒子）にのみ適用することで、プローブ粒子の PID 変数分布へのバイアスを排除しています。
• 背景除去: 残存する背景事象は、sPlot 手法を用いて統計的に除去されます。不変質量分布に対するフィッティングを行い、信号成分に重み（sWeight）を付与することで純粋なサンプルを抽出します。

2.2 性能測定と効率の算出

較正サンプルを用いて、PID 変数（CombDLL, isMuon など）や多変量分類器（ANNPID）の効率を測定します。

• 再重み付け（Reweighting）: 較正サンプルの運動量（$p$）、擬似ラピディティ（$\eta$）、イベント多重度（$N_{evt}$）などのパラメータでサンプルを分割し、参照サンプル（信号事象など）の分布に一致するように重み付けを行います。
• シミュレーション補正: 実験データとシミュレーションの PID 応答の差異を補正する手法として、以下の 2 つが提案されています。
  1. PID 変数の再サンプリング: 較正サンプルの確率密度関数（PDF）から PID 変数を統計的に生成し、シミュレーションの値を置き換える。
  2. PID 変数の変換: シミュレーションの累積分布関数（CDF）を較正データの CDF に変換する手法（Kernel Density Estimation を使用）。これにより、変数間の相関をよりよく保持できます。

2.3 計算モデルとデータ処理 (TurboCalib)

Run 2 の新しいトリガーモデルに対応するため、TurboCalib という専用のデータ形式と処理フローが開発されました。

• オンライン・オフラインの二重処理: トリガー選別されたイベントについて、オンライン再構成（トリガー内）とオフライン再構成（生データへのアクセス）を独立して行います。
• データ形式:
  • Turbo Stream: 生データを保存せず、候補粒子と関連変数のみ保存。PID 較正にはオンライン計算値が必要です。
  • Full Stream: 生データを保存。オフラインで再構成可能です。
  • TurboCalib: 較正サンプル用に設計された形式。トリガー候補と生データの両方を含み、オンラインとオフラインの両方の再構成結果をイベントごとにマッチングさせます。これにより、オンラインとオフラインの PID 変数を組み合わせた選別効率の測定が可能になります。
• 分散処理: 背景除去（sPlot）の計算負荷を分散処理（LHCb グリッド）することで、大規模な較正サンプルの統計的精度を確保しつつ、スケーラビリティの問題を解決しました。

3. 主要な貢献 (Key Contributions)

1. 新しい計算モデルの確立: オンライン再構成とオフライン再構成を組み合わせ、生データへのアクセスを可能にする「TurboCalib」形式と処理フローの導入。これにより、トリガー選別とオフライン解析の両方における PID 効率を正確に評価できるようになりました。
2. バイアスフリーな較正戦略の確立: 多様な崩壊モードを用いたタグ・アンド・プローブ手法の体系化と、トリガー選別における PID 依存性の排除戦略。
3. 高度な統計補正手法: sPlot 手法の分散実装と、PID 変数の再サンプリング・変換技術による、シミュレーションと実データの整合性向上。
4. 品質管理への応用: 較正サンプルをリアルタイムで利用し、検出器の較正、アライメント、性能の経時変化を監視・検証する仕組みの構築。

4. 結果と成果 (Results)

• 統計精度の向上: 2015 年のデータ（積分光度 0.17 fb$^{-1}$）を用いた較正サンプルの作成に成功し、電子、ミューオン、パイオン、カオン、陽子について、運動量と擬似ラピディティの広い範囲で背景を除去した分布を取得しました。
• 効率測定の汎用性: 数百の異なる崩壊チャネルに対する PID 選別効率を、限られた較正サンプルから高精度に推定できる手法が確立されました。
• データ品質監視: 較正サンプルを用いたリアルタイム監視により、検出器の異常や環境条件による性能変動を早期に検出することが可能となりました。

5. 意義と将来展望 (Significance)

本論文で提案された手法と計算モデルは、LHCb 実験の Run 2 における PID 性能測定の基盤となりました。

• Run 3 への準備: LHCb の大規模アップグレード後の Run 3 では、生データを保存せず、トリガー内で選別された崩壊候補のみを保存する「完全なオンライン処理」が予定されています。TurboCalib モデルは、生データが利用できない環境下でも、オンライン再構成の精度を担保し、物理解析の信頼性を維持するために不可欠な基盤技術です。
• 一般化: この較正サンプルの選択・処理戦略は、PID だけでなく、トラッキング較正や中性パイオン・光子の識別など、他の較正サンプルにも適用されています。

要約すれば、本論文は、LHCb 実験が Run 2 以降の大量データ処理と高精度な粒子識別性能評価を両立させるために、**「オンライン・オフラインの融合処理」と「バイアスフリーな統計的較正」**という革新的なアプローチを確立したことを示しています。