Deep-learning jet flavor tagging for precision hadronic Higgs measurements at future $e^+e^-$ Higgs factories

技術要約：将来の$e^+e^-$ヒッグス・ファクトリーにおける精密ハドロン・ヒッグス測定のためのディープラーニング・ジェット・フレーバー・タギング

問題提起
ヒッグス粒子のクォークおよびグルオンへの崩壊の精密測定は、湯川結合を調べ、標準模型（SM）のフレーバー構造を検証するために極めて重要である。第3世代フェルミオン（$H \to b\bar{b}, \tau^+\tau^-$）およびゲージ粒子への崩壊は確立されている一方で、第2世代フェルミオン、特に$H \to c\bar{c}$および$H \to s\bar{s}$との相互作用は依然として困難な課題である。主な障害は、ハドロン環境における圧倒的な量子色力学（QCD）背景事象であり、軽クォーク（$u, d, s$）やグルオンからのジェットは、フレーバーの識別を困難にするほど類似したサブストラクチャ（微細構造）を示す。ディープラーニングはLHCにおける$b$および$c$タギングを改善してきたが、軽フレーバー・ジェット（特に$s$対$g$）の分離は依然として大きな障壁となっている。本論文は、将来の$e^+e^-$ヒッグス・ファクトリー、具体的にはサーキュラー・エレクトロン・ポジトロン・カラーダー（CEPC）の文脈において、これらの課題に対処しており、$e^+e^- \to ZH$過程（$Z \to \nu\bar{\nu}$およびハドロン的ヒッグス崩壊）に焦点を当てている。

手法
著者らは、4つのヒッグス崩壊モード（$H \to b\bar{b}, c\bar{c}, s\bar{s}, gg$）を、支配的な2フェルミオン（$2f$）および4フェルミオン（$4f$）のSM背景事象から分離するために設計された、2段階解析フレームワークを提案している。

1. シミュレーションとセットアップ:

   • 解析は、$\sqrt{s} = 240$ GeV、積分ルミノシティ $20 \text{ ab}^{-1}$ で動作するCEPCを想定している。
   • 信号および背景事象は、MadGraph 3.6.3を用いて生成され、Pythia 8.313を用いてシミュレートされ、検出器効果は公式のCEPC検出器カードを用いたDelphes 3を介してシミュレートされている。
   • イベントは、$e^+e^--k_t$アルゴリズムを用いて、正確に2つのジェットへと再構成される。

2. ステージ1：ジェットレベルのフレーバー・タギング:

   • 個々のジェットのフレーバーを特定するために、3つの最先端の粒子レベル・ディープニューラルネットワーク（ParticleNet (PN)、Particle Transformer (ParT)、More-Interaction Particle Transformer (MIParT)）が採用されている。
   • 入力には、粒子レベルの運動学、粒子識別（PID）フラグ、およびトラックの軌跡情報（インパクトパラメータ）が含まれる。
   • モデルは、11の真値ラベル（$b, \bar{b}, c, \bar{c}, s, \bar{s}, u, \bar{u}, d, \bar{d}, g$）に分類するように学習される。
   • 安定性を評価するため、各アーキテクチャに対して3回の独立した学習実行が行われる。

3. ステージ2：イベントレベルの分類:

   • 各ジェットの出力は、グローバルなイベント観測量（ダイジェット系の運動学、欠損エネルギー変数、およびジェットと欠損エネルギー間の相関）と組み合わされる。
   • XGBoost分類器が、6クラス分類（$H \to b\bar{b}, c\bar{c}, s\bar{s}, gg$、および背景事象 $2f, 4f$）を行うために学習される。
   • 4つの特定のXGBoost構成がテストされる：3つは単一のタガーからの入力を使用し（XGB_PN, XGB_ParT, XGB_MIParT）、もう1つは3つのタガーすべての出力を同時に利用する**結合（Combined）**分類器（XGB_Combined）である。

4. 信号抽出:

   • $ZH(\nu\bar{\nu})$のトポロジーを強化するために、緩いプリセレクション（前選択）が適用される。
   • 各崩壊チャネルについて、XGBoostスコアが判別器として扱われる。プロファイル尤度近似を用いて統計的有意性 $Z$ を最大化するように、最適なワーキングポイントが選択される。

主要な貢献と結果
本研究は、$20 \text{ ab}^{-1}$ に正規化された、CECEにおけるハドロン的ヒッグス崩壊の予測感度を提供している。

• 精度の向上: 公開されているCEPCヒッグス・ベンチマーク研究 [40] と比較して、提案手法は精度を大幅に向上させている：
  • $H \to c\bar{c}$: 精度は1.85%から**1.06%**へ向上（約43%の相対的改善）。
  • $H \to gg$: 精度は0.70%から**0.50%**へ向上（約29%の相対的改善）。
  • $H \to b\bar{b}$: 精度は0.20%から**0.17%**へと緩やかに向上。
• ストレンジクォーク感度（$H \to s\bar{s}$）:
  • このチャネルは以前のCEPCベンチマークには含まれていなかった。本研究は定量的感度推定を提供し、単一の $ZH \to \nu\bar{\nu}s\bar{s}$ チャネルに対して約1.5$\sigma$の統計的有意度を予測している。
  • 予測される相対精度は**68%**であり、これは低い信号統計量および $H \to gg$ および $4f$ 背景事象との残留する重なりによるものである。
• アンサンブルの利点: XGB_Combined分類器は、特に困難な軽フレーバーチャネル（$H \to gg$ および $H \to s\bar{s}$）において、単一タガー構成を一貫して上回る性能を示す。この結合により、独立した学習実行間での結果のばらつきが減少し、統計的ゆらぎに対する堅牢性が高まっていることが示されている。
• 解釈可能性: SHAP（SHapley Additive exPlanations）解析により、分類器が物理的に妥当な特徴量に依存していることが確認された。すなわち、重フレーバースコアが $b/c$ 分離を駆動し、ストレンジ/グルオンスコアおよびグローバルな運動学（欠損エネルギー、ダイジェット質量）が、軽フレーバーおよび背景事象の分離を駆動している。

意義と主張
本論文は、開発された2段階フレームワークが、将来のレプトン衝突型加速器における精密ヒッグス物理学のためのディープラーニングベースのジェット・フレーバー・タギングの可能性を示していると主張している。

• 手法上の利点: ジェットレベルのタギングに続いてイベントレベルの分類を行うモジュール式の2段階アプローチは、「包括的（ホリスティック）」なイベントレベル分類器（イベント全体を直接単一のネットワークに入力するもの）と比較して、より優れた解釈可能性と系統誤差処理の柔軟性を提供することが強調されている。簡略化されたベンチマークでは、包括的アプローチが同様の統計的精度を得るものの、2段階のアプローチは、ジェット・タガーの独立した較正や、データ駆動型の制約の容易な統合を可能にする。
• 物理学的影響: 結果は、以前は未踏であった領域であるストレンジクォーク・湯川結合を調査するための具体的なベンチマークを確立している。本研究は、$H \to s\bar{s}$ はベースラインのCEPC構成では統計的に制限されているものの、より高いルミノシティ、追加の$Z$崩壊チャネル、または改良されたハドロニゼーション・モデリングによって、感度をさらに高められる可能性があることを示唆している。
• 範囲: 著者らは、これらが統計のみの投影であることを明示している。ジェットエネルギー・スケール、フレーバー・タギングの較正、および理論的モデリングに関連する系統誤差は含まれておらず、将来の現実的な評価において必要であると認められている。解析戦略は、適切な検出器の再解釈を伴うことで、他の$e^+e^-$ヒッグス・ファクトリー（例：FCC-ee, ILC）にも広く適用可能である。