Physics Objects in CMS Run 3

技術要約：CMS Run 3における物理オブジェクト

問題提起
CMS実験は現在、重心エネルギー $\sqrt{s} = 13.6$ TeV の大型ハドロン衝突型加速器（LHC）のRun 3において運用されている。このデータ収集期間の決定的な特徴は高い瞬時ルミノシティであり、その結果、1回のバッチクロス（bunch crossing）あたり平均約60回の陽子陽子相互作用（ピルアップ）が発生している。この高ピルアップ環境は、物理オブジェクト（荷電レプトン、光子、ジェット、および欠損横運動量）の再構成および較正において重大な課題をもたらす。対処すべき主要な問題は、これらの過酷な条件下で、計算需要を管理しつつ、稀な過程への感度と精密測定を維持することである。さらに、トップクォーク物理学や標準模型を超える探索において極めて重要な、ヘビーフレーバー・ジェットおよびブーストされた共鳴状態の識別能を向上させる必要がある。

手法
本論文は、Run 3に向けた再構成アルゴリズムおよび較正戦略の包括的なアップグレードについて概説している。

• 再構成フレームワーク: 実験は、トラッカー、カロリメータ、およびミューオンシステムの情報を組み合わせる粒子フロー（Particle Flow, PF）アルゴリズムに引き続き依存している。新規の開発として、トランスフォーマーモデルを用いてトラックとクラスターから直接粒子の内容を推論する**機械学習粒子フロー（Machine Learning Particle Flow, MLPF）**アルゴリズムがある。
• レプトンおよび光子:
  • ミューオン: シリコントラッカーのトラックとミューオンシステムのセグメントを結合させる。識別にはカットベースおよび多変量解析の両方が用いられ、低 $p_T$ および高 $p_T$ 用の特定アルゴリズムが適用される。運動量補正は、磁場の誤モデリングおよびアライメントのバイアスに対処する。
  • 電子/光子: 電子は制動放射のためのガウス和フィルタ（GSF）と「マスタッシュ（mustache）」スーパークラスターを使用する。シャープ形状とピルアップ密度に基づくエネルギー回帰が適用される。効率マッピングのために、非ビン化最尤フィットとノーマライジングフローを用いた新しいタグ・アンド・プローブ法が導入されている。
• ジェットおよびピルアップ緩和: コラボレーションは、従来の電荷ハドロン減算（CHS）に代わり、ピルアップ緩和のデフォルトとして**PUPPI（Pileup Per Particle Identification）**アルゴリズムを完全に採用した。PUPPIは局所的な形状情報を用いて粒子の四元運動を再スケーリングし、ピルアップの寄与を最小限に抑える。ジェット較正には、L1オフセット補正（PUPPIジェットではほぼ不要）、シミュレーションに基づく応答補正、およびジジェットや $\gamma/Z$+ジェット事象から導出された残差データ/シミュレーション補正が含まれる。
• タギング・アルゴリズム: ヘビーフレーバーおよびブーストされたオブジェクトの識別は、リカレントニューラルネットワーク（例：DeepJet）からトランスフォーマーベースのアーキテクチャへと移行した：
  • ParticleNet: ジェットの構成要素を順序のない「粒子雲」として扱うグラフニューラルネットワーク。
  • UParT (Unified Particle Transformer): 頑健性のための敵対的訓練を伴うペアワイズ相互作用特徴を活用し、ストレンジ・ジェットのタギングおよびクォーク/グルーオン識別を可能にする。
  • DeepTau: ジェットの誤識別確率を大幅に低下させた、タウ・レプトンの識別のためのアップグレードされたアルゴリズム。
  • ブーストされたトップ: 大きな半径を持つAK8ジェットに対して、トップクォーク識別のためにParticleNetおよびParTが適用される。
• 欠損横運動量 ($p_T^{miss}$): ピルアップ依存性の低減により、デフォルトはPUPPIベースの $p_T^{miss}$ に移行した。ディープニューラルネットワークに基づく新しいDeepMETアルゴリズムは、PF候補に対する最適な重みを学習し、分解能を向上させる。
• モンテカルロ・モデリング: シグナルおよびバックグラウンドのシミュレーションには、Pythia 8 (CP5 tune) とインターフェースされた Powheg-hvq ジェネレータが使用される。初期/最終状態放射、トップ $p_T$ スペクトル、およびCMSデータにチューニングされたカラー再結合（CR）モデルの改良が含まれる。

主な貢献と結果

• 高ピルアップ下での性能: PUPPIの採用により、ブーストされたオブジェクトの識別はピルアップに対してより耐性が強まり、トラッカーの被覆範囲内におけるピルアップ・ジェットが強力に抑制された。PUPPIジェットのピルアップ・エネルギー・オフセットはほぼゼロであり、従来のL1補正の必要性を減少させている。
• 計算効率: MLPFアルゴリズムは、標準的なPFと比較して、現代的なヘテロジニアス計算インフラ（CPU+GPU）上で2倍の高速化を達成しつつ、同等の物理性能を示している。
• 識別の改善:
  • ヘビーフレーバー: 新しいトランスフォーマーベースのタガー（ParticleNet, UParT）が正常にコミッショニングされた。
  • タウ・レプトン: DeepTau v2.5は、従来のv2.1と比較して、ジェットの誤識別確率が30–50%低い。
  • ブーストされたトップ: 新しいタガーは、以前のランで使用された質量デコリレーションされたDeepAK8よりも最大10倍優れたバックグラウンド除去能を提供し、トップクォークの質量分解能の向上を示している。
  • ジェット・エネルギー: 新しいアーキテクチャにおける補助的なジェット $p_T$ 回帰タスクにより、モンテカルロ補正後のジェット・エネルギー分解能が最大20%向上する。
• 精密な指標:
  • ルミノシティ: 2023年データの予備的な不確かさは $\pm 1.3\%$ であり、精緻化されたRun 2の解析では、総積分ルミノシティは $137.88 \pm 1.01 \text{ fb}^{-1}$ (不確かさ0.73%) を得ている。
  • ミューオン運動量: 標準的な較正により $\approx 0.05\%$ の精度が得られ、専用の解析（例：W質量）では $0.006\%$ に達する。
  • ジェット・エネルギー: Run 2の総不確かさは1%レベルである。2022–2024年のデータセットに対するRun 3の較正は、特にカロリメータの較正改善により、エンドキャップにおいて改善が見られる。

意義
本論文は、CMS解析に使用される物理オブジェクトが、LHC Run 3の高ピルアップ環境に対して正常にコミッショニングおよび較正されたことを主張している。PUPPIアルゴリズムの広範な採用とトランスフォーマーベースのタギングの統合は、より過酷な衝突条件下においても、顕著な性能向上を実現している。精密なルミノシティ決定および精緻化されたモンテカルロ・モデリングと相まって、これらの進歩は、CMSコラボレーションが今後数年間にわたり精密なトップクォーク物理学の結果を提供し続けるための基盤となる。機械学習駆動型の再構成および識別（MLPF, ParticleNet, UParT, DeepMET）への移行は、Run 3データの複雑さを処理するための決定的な進化を象徴している。