Transformer Neural Networks in the Measurement of $t\bar{t}H$ Production in the $H\,{\to}\,b\bar{b}$ Decay Channel with ATLAS

Met behulp van 140 fb⁻¹ aan 13 TeV proton-proton botsingsgegevens van de ATLAS-detector presenteert dit artikel een meting van $t\bar{t}H$-productie in het $H\to b\bar{b}$ vervalkanaal die gebruikmaakt van transformer neurale netwerken om de signaal-achtergrond discriminatie en de reconstructie van de transversale impuls van het Higgs-deeltje aanzienlijk te verbeteren, wat resulteert in een geobserveerde excess van 4,6 standaarddeviaties ten opzichte van de achtergrond-alleen hypothese.

De kern

Stel je de Large Hadron Collider (LHC) voor als een enorme, hogesnelheid deeltjesversneller waar wetenschappers protonen op elkaar laten botsen om de omstandigheden van het vroege universum te recreëren. In deze chaos zoeken natuurkundigen naar een zeer specifieke, zeldzame gebeurtenis: een "Higgs-boson" (een fundamenteel deeltje dat andere deeltjes massa geeft) dat tegelijkertijd met een paar "top quarks" (de zwaarste bekende deeltjes) wordt geboren.

Dit artikel beschrijft een nieuwe, slimmere manier om deze zeldzame gebeurtenis te vinden met behulp van data verzameld door de ATLAS-detector tussen 2015 en 2018. Hier is de uitsplitsing van wat ze hebben gedaan en wat ze hebben gevonden, gebruikmakend van alledaagse analogieën.

De Uitdaging: Een Naald in een Hooiberg Zoeken

De specifieke gebeurtenis waar ze naar zoeken is het verval van een Higgs-boson in twee "bottom quarks". Het probleem is dat het universum een enorme hoeveelheid "achtergrondruis" produceert—specifiek top-quarkparen die worden geproduceerd met willekeurige jets van deeltjes—die bijna exact lijkt op het signaal dat ze willen vinden.

Denk aan het proberen te horen van een specifiek liedje dat wordt afgespeeld in een druk, lawaaierig stadion. Het liedje is het signaal (de Higgs + top quarks), en het gejuich van de menigte is de achtergrondruis (top quarks + willekeurige jets). In eerdere pogingen was de "menigte" zo luid dat het moeilijk was om te bepalen of het liedje daadwerkelijk werd afgespeeld.

De Nieuwe Tool: "Transformer" Neurale Netwerken

De grootste innovatie in dit artikel is het gebruik van Transformer Neurale Netwerken. Je kent Transformers misschien van AI-tools die essays schrijven of talen vertalen. In deze context gebruikten de wetenschappers ze als een super-slim sorteermachine.

• Waarom Transformers? In een deeltjesbotsing is er geen vaste volgorde van de deeltjes die eruit vliegen. Een Transformer is speciaal omdat de volgorde niet uitmaakt; het kijkt naar het hele plaatje tegelijk. Het is als een detective die naar een rommelige plaats delict kan kijken met 50 verspreide aanwijzingen en direct het verhaal begrijpt, terwijl een oudere methode misschien geprobeerd zou hebben om naar de aanwijzingen één voor één in een specifieke volgorde te kijken.
• De Sorteerklus: De AI werd getraind om elke botsing te bekijken en te beslissen: "Is dit het zeldzame Higgs-liedje, of is het gewoon de lawaaierige menigte?" De AI sorteert gebeurtenissen in verschillende categorieën (zoals "Signaal", "Menigte Type A", "Menigte Type B") met ongelooflijke precisie.

De Strategie: Het Net Verwijden

Omdat de AI zo goed is in het onderscheiden van het signaal en de ruis, konden de wetenschappers hun strategie veranderen.

• De Oude Manier: In het verleden moesten ze een zeer strikte "pre-selectie" filter instellen (zoals een uitsmijter bij een club) om de ruis buiten te houden. Dit betekende dat ze alleen naar de schoonste, meest voor de hand liggende gebeurtenissen keken, maar hierdoor misten ze veel van de werkelijke signalen omdat de filter te streng was.
• De Nieuwe Manier: Met de AI die fungeert als een super-slimme uitsmijter, konden ze meer mensen de club in laten (loosen the pre-selection). Ze lieten drie keer zoveel gebeurtenissen toe als voorheen. De AI deed vervolgens het zware werk door de goede van de slechte te scheiden in een later stadium van het proces. Hiermee verdrievoudigden ze hun vermogen om het signaal te vangen.

Ze bouwden ook een "reconstructie"-netwerk. Stel je voor dat je probeert de snelheid van een auto te achterhalen door alleen naar de remsporen te kijken die het heeft achtergelaten. De AI kijkt naar het puin van de botsing en berekent de exacte snelheid (transverse momentum) van het Higgs-boson, waardoor ze kunnen bestudelen hoe het zich gedraagt bij verschillende snelheden.

De Resultaten: Een Duidelijk Signaal

Nadat 140 eenheden aan botsingsdata (een enorme hoeveelheid informatie) door dit nieuwe systeem werden gevoerd, waren de resultaten duidelijk:

1. Ze hebben het signaal gevonden: Ze observeerden een overschot aan gebeurtenissen die overeenkomen met de Higgs-boson voorspelling.
2. Statistische Betrouwbaarheid: De kans dat dit slechts een willekeurige toevalstreffer van de achtergrondruis is, is extreem klein. Het resultaat heeft een significantie van 4,6 standaarddeviaties.
   • Analogie: Als je een munt opwerpt en vaker dan de kans zou toelaten 4,6 keer achter elkaar kop krijgt, zou je vrij zeker zijn dat de munt gemanipuleerd is. Hier is de "munt" de data, en het suggereert met grote kracht dat het Higgs-boson aanwezig is.
3. Vergelijking met Theorie: Het aantal gevonden Higgs-bosonen komt overeen met wat het Standaardmodel van de natuurkunde voorspelde (binnen de foutmarge). Het is alsof de AI het weer voorspelde, en het werkelijke weer perfect overeenkwam met de weersverwachting.

De Kernboodschap

Dit artikel presenteert een heranalyse van oude data met behulp van een nieuwe, krachtige AI-techniek. Door "Transformer" neurale netwerken te gebruiken om door de chaos van deeltjesbotsingen te sorteren, was het ATLAS-team in staat om hun gevoeligheid te verdrievoudigen, de ruis te verminderen en de existentie van Higgs-bosonen die samen met top-quarks worden geproduceerd met hoge betrouwbaarheid te bevestigen. Het is momenteel de meest nauwkeurige meting van dit specifieke proces ooit gemaakt.

Technische samenvatting

Technische Samenvatting: Transformer Neural Networks in de Meting van $t\bar{t}H$ Productie

Probleem en Context
De directe meting van de Yukawa-koppeling tussen het topquark en het Higgsboson is cruciaal voor het begrijpen van de elektrozwakke symmetriebreking en de stabiliteit van het Higgs-vacuumpotentiaal. Hoewel er indirecte metingen bestaan via kwantumlussen, vereist directe observatie de geassocieerde productie van een Higgsboson met een topquarkpaar ($t\bar{t}H$). De ATLAS-collaboratie heeft eerder een meting van dit proces gepubliceerd in het $H \to b\bar{b}$ vervalkanaal met de volledige Run 2-dataset (140 fb$^{-1}$ bij $\sqrt{s}=13$ TeV). Dit kanaal wordt echter geconfronteerd met een aanzienlijke uitdaging: een grote irreducibele achtergrond van topquarkpaarproductie in associatie met extra jets ($t\bar{t} + \text{jets}$), met name die met zware-flavors jets. Eerdere analyses hadden moeite met de signaalacceptatie en de modellering van de achtergrond, wat een heranalyse met verbeterde strategieën noodzakelijk maakte om een hogere precisie te bereiken.

Methodologie
Dit artikel presenteert een heranalyse van het $t\bar{t}H(b\bar{b})$ proces met behulp van een geavanceerde multi-variabele analyse (MVA) strategie die wordt gedreven door transformer neurale netwerken. De kern van de methodologische innovaties omvat:

• Transformer Architectuur: De analyse maakt gebruik van transformer-netwerken, oorspronkelijk ontwikkeld voor natuurlijke taalverwerking, voor zowel event-classificatie als de reconstructie van het Higgsboson. Deze netwerken zijn gekozen vanwege hun invariantie voor de permutatie van invoerobjecten en hun vermogen om variabele cardinaliteit aan te kunnen, wat essentieel is voor deeltjesbotsingsgebeurtenissen waarbij het aantal eindtoestandsdeeltjes varieert en er geen vaste ordening bestaat.
• Invoer variabelen: De netwerken maken gebruik van low-level vier-vectoren en $b$-tagging informatie van alle jets, leptonen en ontbrekende transversale energie.
• Event Classificatie en Regio Definitie: In tegenstelling tot eerdere analyses die vertrouwden op strikte kinematische cuts, gebruikt deze strategie de outputs van neurale netwerken om regio's te definiëren. De achtergrond ($t\bar{t} + \text{jets}$) wordt gesplitst in vijf categorieën op basis van de flavour van jets die niet afkomstig zijn van top-vervallen: $t\bar{t} + \text{light}$, $t\bar{t} + \geq 1c$, $t\bar{t} + \geq 2b$, $t\bar{t} + 1B$ (jets met gecomprimeerde $b$-hadrons) en $t\bar{t} + 1b$.
  • Discriminanten: Multi-class classificatiekansen worden omgezet in zes klasse-discriminanten om het $t\bar{t}H$ signaal te scheiden van de vijf achtergrondcategorieën. Gebeurtenissen worden toegewezen aan signaalregio's (SR) of controleregio's (CR) op basis van deze discriminanten.
  • Verruiming van Preselectie: De robuustheid van de classificatie maakt een verruiming van de kinematische preselecties mogelijk, wat de signaalacceptatie met een factor drie verhoogt ten opzichte van de eerste volledige Run 2-analyse. Selecties richten zich op single-lepton ($\geq 5$ jets) en dilepton ($\geq 3$ jets) kanalen met $\geq 3$ $b$-tags, plus een toegewijd "boosted" kanaal voor Higgs-bosonen met een hoge $p_T$ waar beide $b$-quarks in een enkele jet zijn opgenomen.
• Higgs Reconstructie: Een apart reconstructienetwerk gebruikt een pairing-laag (vergelijkbaar met SPANet) om de twee jets te identificeren die afkomstig zijn van het Higgs-verval. Dit maakt de reconstructie van de transversale impuls van het Higgsboson ($p_T^H$) mogelijk, die wordt gebruikt als fit-variabele in het boosted kanaal en voor differentiële metingen.
• Statistische Analyse: Een simultane binned profile likelihood fit wordt uitgevoerd over alle regio's. De fit extraheert de inclusieve $t\bar{t}H$ doorsnede en een differentiële doorsnede in zes Simplified Template Cross-Section (STXS) bins gedefinieerd door de waarheid $p_T^H$.

Belangrijkste Bijdragen
De primaire bijdrage van dit werk is de succesvolle implementatie van transformer neurale netwerken om gelijktijdig de dominante $t\bar{t} + \text{jets}$ achtergrond (gesplitst in vijf disjuncte categorieën) te beperken en het $t\bar{t}H$ signaal te meten. Deze aanpak vervangt eerdere ATLAS-metingen door:

1. Een herziene analyse-strategie te implementeren die vertrouwt op multi-variabele discriminanten voor regio-definitie in plaats van vaste kinematische cuts.
2. Een drievoudige toename in signaalacceptatie te bereiken door de preselecties te verruimen.
3. Een differentiële meting van de doorsnede in $p_T^H$ bins te leveren, gebruikmakend van de gereconstrueerde $p_T^H$ van het neurale netwerk.

Resultaten
De analyse levert een geobserveerde gebeurtenissen-excess op van 4,6 standaarddeviaties boven de achtergrond-alleen hypothese, vergeleken met een verwachte significantie van 5,4 standaarddeviaties.

• Inclusieve Doorsnede: De gemeten inclusieve doorsnede is $\sigma_{t\bar{t}H}^{\text{obs}} = 411^{+101}_{-92} \text{ fb}$ (statistische en systematische onzekerheden gecombineerd). Dit is compatibel met de Standaardmodel (SM) voorspelling van $\sigma_{t\bar{t}H}^{\text{SM}} = 507^{+35}_{-50} \text{ fb}$ bij $m_H = 125,09$ GeV.
• Differentiële Doorsnede: De resultaten van de differentiële doorsnede over de zes STXS bins tonen compatibiliteit met de SM-voorspelling, met een $p$-waarde van 89%. Correlatiecoëfficiënten tussen bins overschrijden 30% niet.
• Onzekerheden: In tegen tegenstelling tot eerdere analyses waar de modellering van de $t\bar{t} + \geq 1b$ achtergrond dominant was, zijn de belangrijkste bronnen van systematische onzekerheid in deze meting de modellering van het $t\bar{t}H$ signaal zelf.

Significantie
Het artikel beweert dat deze meting de meest precieze enkelvoudige kanaal $t\bar{t}H$ doorsnede-meting tot nu toe is. Door gebruik te maken van transformer-netwerken, demonstreert de analyse dat geavanceerde machine learning-technieken de discriminatie tussen complexe signaal- en achtergrondprocessen aanzienlijk kunnen verbeteren. Het werk valideert het gebruik van dergelijke netwerken voor gelijktijdige achtergrondbeperking en signaalextractie, en zet een nieuwe standaard voor precisie-metingen in het $H \to b\bar{b}$ kanaal.