Deep learning approaches to top FCNC couplings to photons at the LHC

Dit onderzoek toont aan dat transformer-netwerken de gevoeligheid van de LHC voor zeldzame top-quark-fluorveranderende neutrale stroominteracties met fotonen aanzienlijk verbeteren, waardoor bij de High-Luminosity LHC vertakkingsverhoudingen tot $10^{-6}$ kunnen worden uitgesloten.

De kern

De Topquark, de Fysici en de Digitale Detectives: Een Verhaal over het LHC

Stel je voor dat het Large Hadron Collider (LHC) een gigantische, supersnelle racebaan is waar de kleinste deeltjes in de wereld met elkaar botsen. De fysici die hier werken, zijn als detectives die proberen een heel zeldzaam misdrijf op te lossen: het vinden van een spoor van een topquark dat iets doet wat het eigenlijk niet mag doen.

In de standaardregels van de natuurkunde (het Standaardmodel) is de topquark een zeer loyale speler. Hij breekt nooit met de regels. Maar wat als er een nieuwe, onbekende kracht is die hem overtuigt om een "verboden" beweging te maken? Bijvoorbeeld: een topquark die plotseling een foton (lichtdeeltje) uitstraalt en verandert in een lichter deeltje. Dit heet een FCNC-interactie (Flavour-Changing Neutral Current). Het is als een rijk man die ineens zijn identiteit verandert en een briefje uit zijn zak trekt terwijl hij door de douane loopt.

Deze gebeurtenis is zo zeldzaam dat je in een berg van miljarden normale botsingen misschien maar één of twee van deze "misdadigers" vindt. De uitdaging voor de fysici is: hoe vind je die ene naald in die enorme hooiberg?

De Oude Methode: De Strakke Checklist

Vroeger deden de detectives dit met een simpele checklist (de "cut-based" methode). Ze zeiden: "Als het deeltje sneller is dan X, en het heeft een bepaalde kleur Y, dan houden we het vast. Anders gooien we het weg."

Het probleem is dat dit als een heel starre beveiliging werkt. Als een verdachte net iets te langzaam is, maar wel heel verdacht gedraagt, wordt hij toch vrijgelaten. Of als een onschuldige persoon net iets te snel is, wordt hij ten onrechte gearresteerd. De fysici wisten dat ze een slimmere manier nodig hadden om de echte verdachten te vinden.

De Nieuwe Methode: De Digitale Detectives (Deep Learning)

In dit artikel gebruiken de auteurs Deep Learning, oftewel kunstmatige intelligentie. Ze hebben drie soorten "digitale detectives" getraind om de data te analyseren:

1. De MLP (Multi-Layer Perceptron): Dit is de "klassieke detective". Hij kijkt naar een lijst met feiten (snelheid, richting, energie) en trekt een conclusie op basis van patronen die hij heeft geleerd. Hij is goed, maar hij ziet de wereld als een statische lijst.
2. De GAT (Graph Attention Network): Dit is de detective die kijkt naar relaties. Hij ziet het niet als een lijst, maar als een netwerk. Hij vraagt zich af: "Hoe zit dit deeltje in verband met dat deeltje? Wie staat er dichtbij wie?" Het is alsof hij een sociale kaart tekent van het botsingsscène.
3. De Transformer: Dit is de super-detective (vergelijkbaar met de technologie achter moderne vertaalapps of chatbots). Hij gebruikt een mechanisme genaamd "Self-Attention". Hij kan elk deeltje in de botsing bekijken en direct beslissen: "Dit deeltje is hier het belangrijkst, dat deeltje daar is minder relevant." Hij houdt rekening met de hele context van het moment, niet alleen de losse feiten.

Het Experiment: Een Digitale Proef

De auteurs hebben deze drie detectives getraind op een enorme hoeveelheid gesimuleerde data. Ze lieten ze zoeken naar die zeldzame topquark-misdadigers tussen de miljoenen normale botsingen.

• Het resultaat: De "klassieke detective" (MLP) deed het prima, maar de Transformer en de GAT waren veel beter. Ze konden subtiele patronen zien die de oude methode en de MLP over het hoofd zagen.
• De analogie: Stel je voor dat je een foto van een drukke markt moet bekijken om één specifieke persoon te vinden.
  • De MLP kijkt naar de kleding van elke persoon en zegt: "Is hij rood? Dan is het hij."
  • De Transformer kijkt naar de hele foto, ziet hoe de mensen bewegen, wie naar wie kijkt, en zegt: "Die persoon in de hoek gedraagt zich anders dan de rest, dat is hem!"

Waarom is dit belangrijk?

De resultaten waren verbazingwekkend. De nieuwe methoden (vooral de Transformer) konden de gevoeligheid voor deze zeldzame gebeurtenissen met een factor vijf verbeteren.

• Wat betekent dit? Het betekent dat de LHC nu veel scherper kan kijken. Waar ze vroeger misschien alleen zeldzame gebeurtenissen konden zien die 1 op de 100.000 keer voorkwamen, kunnen ze nu misschien zelfs die zien die 1 op de 1.000.000 keer voorkomen.
• De toekomst: Met de komende jaren van data (de "High-Luminosity LHC") hopen ze zelfs nog zeldzamere dingen te vinden. Als ze deze nieuwe methoden gebruiken, kunnen ze de grens verleggen naar een kans van 1 op een miljoen (10⁻⁶).

Conclusie

Dit artikel laat zien dat de toekomst van de deeltjesfysica niet alleen ligt in het bouwen van grotere machines, maar ook in het slimmer maken van de software die de data analyseert.

Door te stoppen met simpele lijsten en te beginnen met slimme, relationele netwerken (zoals Transformers), kunnen de fysici de "naald in de hooiberg" veel sneller vinden. Het is alsof ze van een simpele vergrootglas zijn overgestapt op een superkrachtige, AI-gestuurde scanner die precies weet waar ze moeten kijken. Dit opent de deur naar het ontdekken van nieuwe natuurwetten die we nog nooit hebben gezien.

Technische samenvatting

Probleemstelling

De topquark, als zwaarste elementaire deeltje, speelt een cruciale rol in het begrijpen van de elektroweak symmetriebreking en is een krachtige sonde voor fysica buiten het Standaardmodel (BSM). In het Standaardmodel (SM) zijn Flavor-Changing Neutral Currents (FCNC) voor de topquark (zoals de zeldzame verval $t \to q\gamma$ of de productie $qg \to t\gamma$) extreem onderdrukt door het GIM-mechanisme, met vertakkingsverhoudingen in de orde van $10^{-17}$ tot $10^{-12}$.

Hoewel uitbreidingen van het SM deze waarden kunnen verhogen tot bereiken die haalbaar zijn voor de Large Hadron Collider (LHC), zijn de signalen zeer zeldzaam en moeilijk te onderscheiden van de overweldigende onderliggende SM-achtergronden (zoals $t\bar{t}\gamma$, $tW\gamma$, en $W/Z+\gamma$ + jets). Traditionele analysemethoden, gebaseerd op "cut-and-count" strategieën en handmatige selectie van kinematische variabelen, hebben moeite om de complexe, niet-lineaire correlaties tussen de uiteindelijke deeltjes in een gebeurtenis volledig te benutten. Dit beperkt de gevoeligheid voor nieuwe fysica, vooral bij de hoge geïntegreerde luminositeit die wordt verwacht in de High-Luminosity LHC (HL-LHC) fase.

Methodologie

De auteurs onderzoeken de gevoeligheid van de LHC voor FCNC-interacties tussen de topquark en een foton (gekoppeld aan een lichte up-type quark, $u$ of $c$) binnen een model-onafhankelijk raamwerk van Effectieve Veldentheorie (SMEFT). Ze vergelijken drie verschillende analysestrategieën:

1. Traditionele Cut-based Analyse: Een baseline analyse waarbij een reeks kinematische cuts wordt toegepast op variabelen zoals transverse impuls ($p_T$), missing transverse energy ($E_T^{miss}$), en hoekafstanden ($\Delta R, \Delta \phi$).
2. Deep Learning Strategieën: De auteurs implementeren en vergelijken drie geavanceerde neurale netwerken die trainen op zowel laag-niveau (reconstructie van individuele deeltjes) als hoog-niveau (geaggregeerde kinematische variabelen) data:
   • Multi-Layer Perceptron (MLP): Een standaard volledig verbonden netwerk dat werkt op vaste vectoren van 29 input-features. Het behandelt features als onafhankelijk en mist de inherente structuur van de gebeurtenis.
   • Graph Attention Network (GAT): Een netwerk dat gebeurtenissen modelleert als een graaf, waarbij deeltjes knopen zijn en interacties randen. Het gebruikt een attentie-mechanisme om dynamisch gewichten toe te kennen aan buren, waardoor het de ruimtelijke en relationele structuur van de gebeurtenis beter kan vangen.
   • Transformers: Een architectuur die oorspronkelijk voor natuurlijke taal is ontwikkeld, maar hier wordt toegepast op een "particle cloud". Het behandelt de gebeurtenis als een ongeordende set van tokens (deeltjes) en gebruikt self-attention om de contextuele relevantie van elk deeltje ten opzichte van alle anderen te evalueren.

Technische Setup:

• Processen: Enkele top-productie ($qg \to t\gamma$) en top-paar productie met een FCNC verval ($pp \to t\bar{t} \to q\gamma bW$).
• Data: Gesimuleerde signalen en achtergronden gegenereerd met MadGraph5_aMC@NLO, verwerkt met Pythia voor parton-showering en MadAnalysis 5 voor detector-simulatie (snel-simulatie).
• Training: De modellen worden getraind met PyTorch en PyTorch Lightning, gebruikmakend van een cross-validatie methode en een random grid search voor hyperparameter-optimalisatie.

Belangrijkste Bijdragen

• Vergelijking van Architecturen: Het artikel biedt een systematische vergelijking van MLP, GAT en Transformer netwerken voor een specifiek BSM-scenario (top-FCNC met fotonen).
• Demonstratie van Attention-mechanismen: Het bewijst dat architecturen die gebaseerd zijn op attentie (GAT en Transformers) significant superieur zijn aan traditionele netwerken (MLP) en cut-based methoden voor het onderscheiden van zeldzame signalen van complexe achtergronden.
• SMEFT Interpretatie: De resultaten worden vertaald naar grenzen voor de effectieve dipoolkoppelingen ($f^\gamma_{tq}, h^\gamma_{tq}$), de bijbehorende SMEFT Wilson-coëfficiënten en de zeldzame vertakkingsverhoudingen $BR(t \to q\gamma)$.

Resultaten

De resultaten tonen een duidelijke hiërarchie in prestaties, gemeten aan de hand van het Area Under the Curve (AUC) van de Receiver Operating Characteristic (ROC) curves en de uiteindelijke uitsluitingslimieten:

1. Classificatieprestaties:

   • MLP: Bereikte een AUC van ~0.928 voor enkele top-productie en ~0.78 voor top-paar productie.
   • GAT: Verbeterde dit naar een AUC van ~0.973 (enkele top) en ~0.92 (top-paar).
   • Transformer: Bereikte de hoogste prestaties met een AUC van 0.985 voor enkele top-productie en ~0.93 voor top-paar productie.

2. Gevoeligheid en Uitsluitingslimieten:

   • De attention-based modellen (GAT en Transformer) leverden een verbetering in gevoeligheid op van ongeveer 30% tot 70% ten opzichte van de MLP.
   • Bij een geïntegreerde luminositeit van 139 fb⁻¹ (Run 2 data) kunnen de modellen koppelingen $f^\gamma_{tq}/\Lambda$ uitsluiten tot waarden van ongeveer $7.3 - 9.2 \times 10^{-3} \text{ TeV}^{-1}$ (voor up-quark) en $8.7 - 14.2 \times 10^{-3} \text{ TeV}^{-1}$ (voor charm-quark).
   • Dit vertaalt zich naar een verbetering in de voorspelde uitsluitingslimieten voor de vertakkingsverhouding $BR(t \to q\gamma)$ met een factor 1.5 tot 2.6 ten opzichte van de MLP.
   • HL-LHC Projectie: Bij de verwachte luminositeit van de HL-LHC (3000 fb⁻¹) kunnen deze methoden vertakkingsverhoudingen tot $10^{-6}$ uitsluiten, wat een factor 5 verbetering betekent ten opzichte van traditionele methoden.

3. Karakteristieken: De Transformer-modellen bleken het meest effectief omdat ze de complexe, niet-lineaire correlaties tussen de deeltjes in de "particle cloud" het beste kunnen modelleren, terwijl de GAT-modellen sterk presteerden door de lokale connectiviteit in de graafstructuur te benutten.

Significantie

De studie onderstreept dat traditionele machine learning-methoden (zoals MLPs) en cut-based analyses steeds minder optimaal zijn voor de analyse van de enorme datasets die de toekomstige LHC-runs zullen genereren. De resultaten tonen aan dat attention-based architecturen (zoals Transformers en GATs) een cruciale rol spelen in het maximaliseren van de sensitiviteit voor nieuwe fysica in topquark-processen.

Door de mogelijkheid om tot $10^{-6}$ te gaan in het detecteren van zeldzame top-FCNC vervallen, kunnen deze technieken mogelijk brede klassen van BSM-scenario's (zoals twee-Higgs-dubbelletjesmodellen, supersymmetrie of compositiemodellen) bevestigen of uitsluiten. Dit maakt deep learning niet alleen een hulpmiddel voor data-analyse, maar een essentiële component voor de toekomstige ontdekkingen in de hoge-energie fysica.