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

Dit artikel beschrijft de strategie en het verwerkingsmodel voor het selecteren van kalibratiestalen in Run 2 van het LHCb-experiment om de prestaties van de deeltjesidentificatie te meten en te valideren binnen het innovatieve online-reconstructieframework.

De kern

De "Proefkeuken" van CERN: Hoe LHCb zijn deeltjesspotters controleert

Stel je voor dat het LHCb-experiment bij CERN een gigantische, supersnelle camera is die foto's maakt van deeltjesbotsingen. Maar deze camera is niet zomaar een camera; het is een complex systeem van verschillende sensoren die moeten kunnen vertellen of een deeltje een elektron, een muon, een pion, een kaon of een proton is. Dit noemen ze deeltjesidentificatie (PID).

Als je in de natuurkunde wilt weten of je een nieuw, zeldzaam deeltje hebt gevonden, moet je je camera's 100% vertrouwen. Maar hoe weet je of je camera's nog goed werken? Als je een foto maakt van een bos, hoe weet je dan of de camera een eekhoorn echt als eekhoorn herkent, of dat hij hem per ongeluk voor een eekhoorn houdt terwijl het een rat is?

Dit artikel beschrijft hoe LHCb in 2015 (tijdens "Run 2") een slimme nieuwe manier bedacht om deze camera's te kalibreren en te testen.

1. Het Probleem: De "Blinddoek"

In het verleden moesten wetenschappers vaak wachten tot de data offline (later) werd verwerkt om te zien of hun deeltjesidentificatie goed werkte. Maar in de nieuwe opzet van LHCb gebeurt de meeste selectie van deeltjes online, direct terwijl de botsingen plaatsvinden.

Het probleem is dat de sensoren (zoals de calorimeters en muon-systemen) niet perfect zijn. Ze kunnen soms een pion verwarren met een kaon. Om dit te meten, hebben ze een "proefkeuken" nodig: een verzameling van deeltjes waarvan ze 100% zeker weten wat het is, zonder dat ze naar de sensoren hoeven te kijken.

2. De Oplossing: De "Tandem" en de "Tag-and-Probe"

De wetenschappers gebruiken een slimme truc, vergelijkbaar met het vinden van een naald in een hooiberg, maar dan met een magneet.

• De "Tag-and-Probe" methode: Stel je voor dat je een groep mensen hebt waarvan je weet dat ze allemaal broers en zussen zijn. Je kiest er één uit die je perfect kent (de "Tag"). Omdat je weet dat hij een broer is, weet je dat de persoon die hij vasthoudt (de "Probe") ook een broer moet zijn, zelfs als je die tweede persoon nog nooit hebt gezien.
  • In de praktijk gebruiken ze deeltjes zoals de J/ψ (een soort "familieband") die uit twee muonen bestaat. Ze kiezen één muon die ze perfect identificeren (de Tag). De andere muon (de Probe) gebruiken ze om te testen: "Herkent onze camera deze muon correct als muon?"
• Verschillende proefdeeltjes: Ze hebben speciale "proefkeukens" voor elk type deeltje:
  • Voor elektronen: Gebruiken ze een speciaal verval van een B-deeltje.
  • Voor protonen: Gebruiken ze het verval van een Lambda-deeltje.
  • Voor kaonen en pionen: Gebruiken ze deeltjes die ontstaan uit het verval van een D*-deeltje.

3. De Nieuwe "Turbo" Methode

Vroeger werd alles langzaam en stap voor stap gedaan. In Run 2 hebben ze een Turbo-stroom bedacht. Dit is als een snelle bezorgdienst die direct de juiste pakketten (de data) naar de keuken stuurt, zonder eerst alles in een groot magazijn te leggen.

• Dubbele verwerking: Het meest ingenieuze is dat elk deeltje nu twee keer wordt verwerkt:
  1. Online: Direct in de trigger (de snelkeuze).
  2. Offline: Later, met nog meer precisie en betere software.
• De Vergelijking: Door deze twee versies van hetzelfde deeltje naast elkaar te leggen, kunnen ze zien: "Werkt de snelle online-versie net zo goed als de nauwkeurige offline-versie?" Als er een verschil is, weten ze dat ze hun software moeten aanpassen.

4. Waarom is dit zo belangrijk?

Stel je voor dat je een raceauto bouwt. Je wilt weten hoe goed je remmen werken. Je kunt niet gewoon een race rijden en hopen dat het goed gaat; je moet eerst op een testbaan remmen met een auto waarvan je de snelheid exact kent.

• Betrouwbaarheid: Zonder deze kalibratie zouden wetenschappers niet weten of een "nieuwe ontdekking" echt nieuw is, of dat het gewoon een foutje in de software is dat een pion verwarde met een kaon.
• Efficiëntie: Het helpt hen om de "vuilnisbak" (de achtergrondruis) weg te halen en alleen de interessante deeltjes te houden.
• Toekomst: Deze methode is zo goed dat ze hem nu ook gebruiken om de tracking (het volgen van de banen) en de detectie van fotonen te controleren. Het is de basis voor de toekomstige "Run 3" van CERN.

Samenvatting in één zin

Dit artikel vertelt hoe LHCb een slimme "proefkeuken" heeft gebouwd waarin ze deeltjes kunnen testen met een dubbel-checksysteem (online en offline), zodat ze zeker weten dat hun camera's deeltjes correct herkennen en ze geen fouten maken in hun zoektocht naar nieuwe natuurkunde.

Technische samenvatting

Titel: Selectie en verwerking van kalibratiestalen voor het meten van de deeltjesidentificatieprestaties van het LHCb-experiment in Run 2

1. Het Probleem

Het LHCb-experiment bij CERN is gericht op het bestuderen van zware quark-fysica (b en c quarks) en het zoeken naar nieuwe fysica via CP-schending en zeldzame vervalprocessen. Een cruciale prestatie-eis voor dit experiment is de nauwkeurige identificatie (PID - Particle Identification) van geladen deeltjes (elektronen, muonen, pionen, kaonen en protonen) over een breed kinematisch bereik.

Tijdens Run 2 (2015-2018) introduceerde LHCb een nieuw computemodel waarbij de meeste data-herconstructie online (in real-time) plaatsvindt via de trigger, in plaats van offline. Dit creëerde specifieke uitdagingen:

• Bias in PID: De trigger gebruikt PID-informatie om gebeurtenissen te selecteren. Als kalibratiestalen ook via deze trigger worden geselecteerd, ontstaat er een vertekening (bias) in de prestatiemetingen.
• Online vs. Offline inconsistentie: Er moet worden gemeten hoe goed de PID-eisen werken die zijn toegepast op zowel online-herconstrueerde variabelen (in de trigger) als offline-herconstrueerde variabelen (in de analyse).
• Schaalbaarheid: De enorme hoeveelheid data en de behoefte aan hoge statistische precisie vereisten een schaalbare oplossing voor het verwerken van kalibratiestalen, waarbij traditionele methoden tekortschoten.
• Turbo-stream beperkingen: Voor analyses die gebruikmaken van de "Turbo-stream" (waarbij ruwe detectordata niet wordt opgeslagen, maar alleen samenvattingen van kandidaten), is het essentieel dat de PID-informatie correct wordt overgedragen en gevalideerd.

2. Methodologie

Het paper beschrijft een geavanceerde strategie voor het selecteren en verwerken van kalibratiestalen, gebaseerd op de volgende pijlers:

• Selectie van Kalibratiestalen (Tag-and-Probe):

  • Er worden specifieke vervalmodi geselecteerd waarbij de kinematische structuur het mogelijk maakt om één dochterdeeltje onmiskenbaar te identificeren zonder PID-informatie te gebruiken (bijv. $J/\psi \to \mu^+\mu^-$, $K_S^0 \to \pi^+\pi^-$, $\Lambda^0 \to p\pi^-$, $D^{*+} \to D^0\pi^+$).
  • De "probe"-deeltjes worden geselecteerd zonder enige PID-vereiste om een onbevooroordeeld steekproef te garanderen.
  • De selectie vindt plaats in de software-trigger, waarbij de algoritmes die de gebeurtenis selecteren geen PID-informatie gebruiken voor het te meten deeltje, of waar PID alleen wordt toegepast op het "tag"-deeltje.

• Geavanceerde Classificatie (ANNPID):

  • Naast traditionele likelihood-ratio's worden geavanceerde machine-learning-classificatoren gebruikt, specifiek ANNPID (Artificial Neural Network PID).
  • ANNPID combineert likelihoods van calorimeters, RICH-detectors en muon-systemen met kinematische variabelen en tracking-informatie.
  • Dit model wordt getraind met Monte Carlo-simulaties en beschikbaar gesteld in verschillende "tunings" voor specifieke analyses.

• Dubbele Herconstructie (Online + Offline):

  • Een innovatief dataprocessing-model, genaamd TurboCalib, werd ontwikkeld.
  • Gebeurtenissen die relevant zijn voor kalibratie worden in real-time geselecteerd.
  • Voor elke gebeurtenis wordt twee keer herconstrueerd:
    1. Online: Gebruikmakend van de trigger-algoritmes.
    2. Offline: Een volledige herconstrutie op basis van de ruwe detectordata (die specifiek voor deze kalibratiestalen wordt opgeslagen).
  • De twee reconstruties worden op de deeltjesniveau gematcht, waardoor fysici de efficiëntie kunnen meten van selecties die online en offline PID-variabelen combineren.

• Statistische Correctie en Gewichten:

  • Om achtergrond te verwijderen wordt de sPlot-techniek gebruikt, waarbij een fit op de invariante massa wordt uitgevoerd om "sWeights" (signal weights) toe te kennen.
  • Om PID-efficiënties te meten voor een specifieke "referentiestaal" (bijv. een zeldzaam verval), wordt de kalibratiestaal opnieuw gewogen (reweighting) om de kinematische verdeling (p, $\eta$, multipliciteit) van de referentiestaal te benaderen.
  • Er worden ook technieken gebruikt om simulatie-data te corrigeren: Resampling (vervangen van PID-variabelen door waarden gegenereerd uit kalibratie-PDFs) en Transformatie (transformeren van simulatie-variabelen zodat ze de verdeling van de data volgen, waarbij correlaties behouden blijven).

• Gedistribueerde Verwerking:

  • Om de schaalbaarheidsproblemen op te lossen, wordt de sPlot-techniek en de achtergrondsubstitutie uitgevoerd in een gedistribueerde omgeving (duizenden rekknopen), waarbij histogrammen parallel worden gevuld en later samengevoegd.

3. Belangrijkste Bijdragen

• Nieuw Computemodel: De introductie van het TurboCalib-formaat en de dubbele herconstrutie (online/offline) voor kalibratiestalen, wat een brug slaat tussen trigger-selectie en offline analyse.
• Bias-vrije Selectie: Een strategie die zorgt voor kalibratiestalen die volledig vrij zijn van PID-bias, zelfs binnen een trigger-systeem dat zwaar afhankelijk is van PID.
• ANNPID Classificator: De implementatie en standaardisatie van een neurale netwerk-classificator die de prestaties van PID-algoritmes significant verbetert door meer informatiebronnen te combineren.
• Scalable sPlot: Een gedistribueerde implementatie van de sPlot-techniek die het mogelijk maakt om enorme kalibratiestalen te verwerken zonder de beperkingen van lokale opslag of rekkracht.
• PIDCalib Software: Een Python-pakket dat fysici een gestandaardiseerde interface biedt om PID-efficiënties over te dragen van kalibratiestalen naar hun specifieke analyses.

4. Resultaten

• Het systeem levert kalibratiestalen op voor alle vijf de belangrijkste geladen deeltjestypes (e, $\mu$, $\pi$, K, p) over een breed kinematisch bereik.
• De methodiek stelt LHCb in staat om PID-efficiënties en misidentificatie-kansen met hoge precisie te meten voor honderden verschillende vervalkanalen, gebaseerd op een beperkt aantal kalibratiestalen.
• De dubbele herconstructie maakt het mogelijk om de consistentie tussen online en offline PID-variabelen te valideren, wat essentieel is voor analyses die gebruikmaken van de Turbo-stream.
• De achtergrondsubstitutie en gewichtsberekening worden succesvol uitgevoerd op grote datasets, wat de statistische onzekerheid minimaliseert.

5. Betekenis en Toekomst

De beschreven strategie is fundamenteel voor het succes van het LHCb-experiment in Run 2 en legt de basis voor Run 3.

• Run 3 Voorbereiding: In Run 3 zal LHCb volledig overschakelen naar een "triggerless" of "online-only" architectuur waarbij de meeste data direct als verval-kandidaten wordt opgeslagen zonder ruwe data. De hier ontwikkelde technieken voor real-time kalibratie, data-kwaliteitsmonitoring en PID-validatie zijn daarom kritisch.
• Data Kwaliteit: De kalibratiestalen worden gebruikt voor real-time monitoring van de detectorprestaties (bijv. alignement, temperatuur-effecten), wat zorgt voor vroege detectie van problemen.
• Algemene Toepasbaarheid: Hoewel dit paper specifiek ingaat op geladen deeltjesidentificatie, wordt het onderliggende computemodel en de selectiestrategie ook toegepast op andere kalibratiegebieden, zoals tracking en identificatie van neutrale pionen/fotonen.

Samenvattend biedt dit paper een blauwdruk voor hoe moderne deeltjesfysica-experimenten omgaan met de complexiteit van real-time data-selectie en hoe ze nauwkeurige prestatie-metingen behouden in een omgeving met enorme datavolumes.