"Transforming" LHCb: self-supervised maps of heavy-flavour decays

技術要約：「Transforming」LHCb：重フレーバー崩壊の自己教師あり学習によるマップ作成

問題提起
ビューティおよびチャームハドロンの重フレーバー崩壊は、特に不可視粒子や不完全な最終状態（例：Bメソジェネシス）を含むシナリオにおいて、標準模型を超える物理（BSM）に対する敏感なプローブとして機能する。CERNのLHCb実験は、これらの崩壊環境をマッピングするために必要な精密なトラッキング、バーテクシング、および粒子識別（PID）能力を備えているが、現在のLHCbにおけるフレーバータギング手法は二次頂点に大きく依存しており、DeepSetsアーキテクチャを利用している。これらの手法は、フラグメンテーションの全履歴、アンダーライイングイベントの情報、およびパイルアップを十分に活用できていないことが多い。さらに、既存のタガーは、最終状態の一部が検出器のシグネチャを残さない「不完全な」崩壊に対して最適化されていない。著者らは、ATLASおよびCMSにおけるジェット・フレーバータギングの最近の進展（具体的には、置換不変な粒子雲とトランスフォーマー・アーキテクチャの使用）を活用することで、LHCbのタギング性能を向上させ、不可視粒子を伴う崩壊への到達範囲を広げることを提案している。

手法
本論文では、フレーバーや排他的な崩壊ラベルに依存することなく、データから直接、重フレーバーのハドロン化および崩壊環境の「マップ」を学習する自己教師あり学習フレームワークを紹介する。

• アーキテクチャ: コアモデルは粒子セット・トランスフォーマーである。これは、再構成されたジェット構成要素（ジェットあたり最大64個）の、運動学、変位情報、およびRICHやカロリメータシステムからの確率的なPID応答を含む、順序のない集合を入力とする。エンコーダは、埋め込み次元96、アテンションヘッド8つを持つ5つのトランスフォーマー・ブロックで構成される。
• 自己教師ありタスク: モデルは、以下の2つのタスクを同時に実行するように訓練される。
  1. マスクされたPID予測: PID入力が隠されている生存粒子のPIDクラスおよび応答ビンを予測する。
  2. 粒子セット補完: ジェットのビューから人工的に除去された構成要素の特性（多重度、運動学、電荷、アイデンティティ、およびトポロジー）を予測する。
• データ拡張: 訓練中、特定のルール（ランダムな荷電/中性粒子、反対符号のペア、角度的に局所的なグループ、変位頂点、またはカスケード）に基づき、ジェットから0個から4個の再構成された構成要素が除去される。モデルは、生存している粒子とグローバルなジェットのコンテキストのみに基づいて、欠落した内容を推論しなければならない。
• 欠損スコア ($S_{miss}$): 主要な出力は、ジェットが不完全であるというモデルの確率から導出されるスコアである。このスコアは、訓練セットにおける人工的な除去のベースライン確率に対する、モデルによる「不完全なジェット」の予測の対数オッズ比として計算される。
• 訓練データ: 本研究では2つのデータセットを利用する。
  1. シミュレーションされたLHCb Open Data: Pythia 8およびEvtGenで生成され、Geant4で再構成された、ジジェットイベント（$b\bar{b}$、$c\bar{c}$、ライトパートン、$Z \to b\bar{b}$）のダイジェットイベント。これにより、制御された「介入」テスト（特定の再構成された共鳴状態の除去）が可能となる。
  2. 2017 LHCb Open Data (衝突データ): フレーバーラベルなしで別のモデルを訓練するために使用される包括的な陽子・陽子衝突データであり、実在の検出器条件下での手法の適用可能性を検証する。

主な貢献

1. 自己教師ありマップの構築: 著者らは、トランスフォーマーが、マスクされたPID情報とジェットを補完することで、重フレーバーの崩壊環境の連続的な表現を学習できることを示し、実質的に「ハドロン化および崩壊のマップ」を作成できることを実証した。
2. ラベル効率: 自己教師あり表現が、物理的に意味のあるフレーバーおよびクォークの電荷符号情報を捉えていることを本研究は示している。これをアフィン・プローブ（線形分類器）のための凍結された特徴抽出器として使用すると、ラベル付きデータの極めてわずかな割合のみを使用して、全ラベルを用いて訓練された教師ありトランスフォーマーの性能の97〜100%を回収できる。
3. 介入による異常検知: 著者らは、再構成された崩壊候補（例：$D^0$、$B^+$）を系統的にジェットから除去し、欠損スコアの上昇を観察することによって、異常を検知する方法を導入した。これは、モデルが重フレーバー崩壊の相関構造を学習していることを検証するものである。
4. 衝突データへの転移: この手法は、2017年のLHCb衝突データで検証されている。衝突データ上で独立して訓練されたモデルは、再構成されたチャームおよびビューティ崩壊の構成要素が除去された際に、期待される「欠損」レスポンスを再現し、学習されたマップの物理的イベントへの関連性を確認している。

結果

• シミュレーション性能:
  • モデルは、完全なジェットと人工的に不完全なジェットを、曲線下面積（AUC）0.72（包括的）で区別し、4つの構成要素が除去された場合には0.87まで上昇する。
  • フレーバータギングタスク（例：$b$ 対 $c$、$b$ 対 ライト）において、自己教師ありプローブは、ランダムな重みを持つトランスフォーマーを大幅に上回る。例えば、$b$ 対 $c$ の分類において、ラベル付き訓練データのわずか0.1%のみを使用して、ランダムな特徴量による0.67に対し、AUC 0.83を達成する。
  • 包括的な$b$ジェットに対するタギングパワー（$P_{tag}$）は10.6%、$c$ジェットに対しては31.1%と算出された。
  • シミュレーションにおいて$b$ジェットから再構成された$D^0 \to K\pi$候補を除去すると、平均スコアのシフトは4.05となり、同じジェットから一致するランダムなトラックを除去した際のシフトである1.33よりも有意に高くなった。
• 衝突データの性能:
  • 2017年衝突データで訓練されたモデルは、再構成されたチャームおよびビューティの8つのモードから構成要素が除去されることに系統的に反応する。高統計のチャームモードにおいて、信号レスポンスは隣接する質量サイドバンドのレスポンスを超えている。
    ・シミュレーションで訓練されたアフィン・プローブを、再訓練なしに2017年衝突データに適用すると、$B^+$と$B^0$のフレーバーカテゴリ、およびプロンプトの$D^0/D^+$崩壊を正常に分離でき、転移可能性を示した。
    ・衝突データにおける高欠損ジェットの探索的分析により、類似性（例：荷電成分が多く中性成分が少ないジェットのグループ）に基づく明確なクラスターが明らかになり、手法が異常なイベントを整理できることが示唆された。

意義および主張
本論文は、自己教師あり学習を通じてジェットを用いた重フレーバー崩壊環境のマッピングを行うことが、LHCbにおけるフレーバータギングを変革し得るという**原理実証（Proof of Principle）**を提供すると主張している。著者らは以下を強調している：

• このアプローチは、表現学習フェーズにおいて、排他的な崩壊ラベルや特定のBSM仮説に依存しない。
• 学習された「完全性」の概念が物理的な崩壊構造に対応することを検証することで、シミュレーションによる学習と実の衝突データの間のギャップを克服することに成功している。
• この手法は、学習された補完マップから逸脱するジェットを特定することにより、「不完全な」あるいは「特異な」崩壊（不可視粒子を伴うものを含む）への発見の範囲を広げる経路を提供する。
• この技術は既存のタガーを補完するものであり、より大きなジェット半径やフルイベント情報を使用することで、反対側および同側フラグメンテーションの詳細を取り入れるよう拡張可能である。

著者らは、現在の結果は予備的なものであるとし、物理的な異常と検出器の影響または再構成の失敗を区別するには、さらなる較正、より大きなデータセット、および完全なイベントレコード（検出器のヒットを含む）へのアクセスが必要であると述べている。彼らは、この研究を、重フレーバー崩壊におけるBSM物理を探索するためのデータ駆動型戦略に向けた基礎的な一歩として位置づけている。