DeepMET: Improving missing transverse momentum estimation with a deep neural network

Dit artikel presenteert DeepMET, een nieuw op diepe neurale netwerken gebaseerd algoritme dat de nauwkeurigheid van de schatting van ontbrekende transversale impuls ($\vec{p}_\mathrm{T}^\text{miss}$) bij de CMS-experiment bij de LHC met 10-30% verbetert.

De kern

Stel je voor dat je in een gigantische, razendsnelle discotheek staat. Het is er ontzettend druk, de muziek staat hard en iedereen danst door elkaar. In het midden van de dansvloer vindt een heel belangrijk gesprek plaats tussen twee mensen. Maar er is een probleem: de twee mensen die praten, zijn onzichtbaar. Je kunt ze niet zien, je kunt ze niet horen, en ze laten geen voetstappen achter.

Hoe weet je dan dat ze er zijn? Je kijkt naar de mensen om hen heen. Als een groep dansers plotseling met een enorme kracht opzij wordt geduwd, zonder dat er iemand tegen hen aan botst, dan weet je: "Hé, daar moet iemand onzichtbaar zijn geweest die de boel heeft omvergeduwd!"

In de wereld van de natuurkunde (bij het CERN in Zwitserland) werkt dat precies zo. Deeltjes zoals neutrino's of donkere materie zijn de "onzichtbare dansers". Ze laten geen sporen na in de detectoren. Wetenschappers moeten de aanwezigheid van deze deeltjes raden door te kijken naar de "duwtjes" die ze geven aan de deeltjes die we wél kunnen zien. Dit noemen we Missing Transverse Momentum (ontbregende dwarsimpuls).

Het probleem: De "Chaos van de Extra Dansers" (Pileup)

Het probleem is dat de deeltjesversneller (de LHC) niet één gesprek tegelijk voert. Het is alsof er in diezelfde discotheek honderden andere gesprekken en dansgroepjes tegelijkertijd plaatsvinden. Dit noemen wetenschappers pileup. Al die extra dansers zorgen voor een enorme chaos. Als je ziet dat iemand wordt weggeduwd, hoe weet je dan of dat kwam door de "onzichtbare gast" die je zoekt, of door een dronken voorbijganger die per ongeluk tegen iemand aan liep?

De oplossing: DEEPMET – De Super-Detective

De onderzoekers van het CMS-team hebben een nieuwe digitale detective ontwikkeld: DEEPMET. Dit is een slimme computer-hersenpan (een Deep Neural Network) die getraind is om de chaos te ontwarren.

In plaats van simpelweg alle bewegingen bij elkaar op te tellen, werkt DEEPMET als een zeer ervaren uitsmijter met een scherp oog:

1. Gewicht toekennen: DEEPMET kijkt naar elk zichtbaar deeltje (elke danser) en geeft ze een "gewicht". Het zegt eigenlijk: "Jij ziet eruit als een belangrijke danser die bij het hoofdgesprek hoort, dus ik neem je beweging serieus. Maar jij ziet eruit als een willekeurige voorbijganger die alleen maar ronddwaalt, dus jouw beweging negeer ik grotendeels."
2. De Bias-correctie: De detective corrigeert ook voor kleine foutjes in de apparatuur, alsof hij de vloer van de discotheek recht trekt voordat hij begint te rekenen.
3. Slimmer dan de rest: Oude methodes waren als een simpele rekenmachine die alles bij elkaar optelde. DEEPMET is als een AI die de context begrijpt.

Wat levert het op?

Dankzij DEEPMET is de schatting van de "onzichtbare kracht" 10% tot 30% nauwkeuriger geworden. Dat klinkt misschien als een klein verschil, maar in de wereld van de allerkleinste deeltjes is dat het verschil tussen "zoeken naar een speld in een hooiberg" en "de speld daadwerkelijk vinden".

Kortom: DEEPMET helpt wetenschappers om de onzichtbare bouwstenen van ons universum beter te begrijpen door de enorme chaos van de deeltjesversneller met digitale precisie te filteren. Het maakt de "onzichtbare dansers" een stuk minder mysterieus!

Technische samenvatting

Technische Samenvatting: DEEPMET – Verbetering van de schatting van ontbrekende transversale impuls met een diep neuraal netwerk

1. Het Probleem: De uitdaging van $p_{\text{T}}^{\text{miss}}$

In hadronenversnellers zoals de LHC (Large Hadron Collider) is de meting van de ontbrekende transversale impuls ($\vec{p}_{\text{T}}^{\text{miss}}$) cruciaal. Deze grootheid wordt afgeleid uit de onbalans in de transversale impuls van alle gedetecteerde deeltjes en wijst op de aanwezigheid van deeltjes die niet met de detector interageren, zoals neutrino's (in het Standaardmodel) of kandidaten voor donkere materie (buiten het Standaardmodel).

De nauwkeurigheid van deze meting wordt echter ernstig belemmerd door:

• Pileup: Extra proton-proton interacties tijdens dezelfde botsing die "ruis" toevoegen aan de detector.
• Detectorbeperkingen: Onvolledige dekking, ruis en beperkte resolutie van calorimeters en trackers.
• Reconstructiefouten: Onnauwkeurigheden in de energie- en momentummeting van individuele deeltjes (PF-kandidaten).

Bestaande methoden zoals PUPPI (Pileup Per Particle Identification) vereisen intensieve afstemming (tuning) en presteren niet altijd optimaal in alle kinematische regio's of bij lage pileup.

2. Methodologie: Het DEEPMET-algoritme

De CMS-collaboratie introduceert DEEPMET, een nieuwe estimator gebaseerd op een Deep Neural Network (DNN). In tegenstelling tot eerdere methoden die kijken naar globale evenementeigenschappen, werkt DEEPMET op het niveau van individuele deeltjes.

Kernaspecten van de architectuur:

• Input: Voor elke gereconstrueerde Particle Flow (PF) kandidaat worden 11 kenmerken gebruikt: 8 continue variabelen (zoals impactparameters $d_{xy}$ en $d_z$, de PUPPI-weging, en vijf kinematische variabelen: $\eta, m, p_x, p_y, p_{\text{T}}$) en 3 categorische variabelen (deeltjes-ID, lading en de associatie met de Leading Primary Vertex).
• Mechanisme: Het DNN wijst aan elk deeltje een unieke gewicht ($w_i$) en twee bias-termen ($b_{i,x}, b_{i,y}$) toe. De uiteindelijke $\vec{p}_{\text{T}}^{\text{miss}}$ wordt berekend als de negatieve vectoriële som van de gewogen transversale impulsen van alle deeltjes, inclusief de bias-correcties:
  \vec{p}_{\text{T}}^{\text{miss}}_{x,y} = -\sum_{i} (w_i p_{i,x,y} + b_{i,x,y})
• Training: Het netwerk is getraind met een Mean Squared Error (MSE) loss-functie op gesimuleerde $Z+\text{jets}$ en $t\bar{t}$ evenementen. Het model is compact (4541 parameters), wat zorgt voor snelle training en efficiënte inferentie.
• PV-Agnostische variant: Voor precisie-analyses (zoals de meting van de $W$-massa) is een variant ontwikkeld die robuust is tegen foutieve identificatie van de primaire vertex (LPV).

3. Belangrijkste Bijdragen

• Deeltjesniveau-gewichten: Het gebruik van een DNN om per deeltje te bepalen hoe zwaar het moet meetellen in de totale impulsbalans.
• Generalisatie: Omdat het model niet getraind is op globale evenement-topologieën, generaliseert het uitstekend naar diverse fysica-processen (Higgs, Supersymmetrie, etc.).
• Efficiëntie: Een zeer compact model dat eenvoudig geïntegreerd kan worden in de CMSSW-softwarestack met minimale rekenkracht (ca. 10 ms per evenement).

4. Resultaten

De prestaties van DEEPMET zijn vergeleken met de standaard PF $\vec{p}_{\text{T}}^{\text{miss}}$ en de PUPPI-methode:

• Resolutieverbetering: DEEPMET laat een verbetering in de $\vec{p}_{\text{T}}^{\text{miss}}$-resolutie zien van 10% tot 30% vergeleken met de huidige standaarden.
• Pileup-resistentie: Het algoritme is aanzienlijk beter bestand tegen de effecten van extra interacties (pileup). De resolutie blijft stabieler naarmate het aantal primaire vertices ($N_{\text{vtx}}$) toeneemt.
• Breed toepasbaar: De verbetering is consistent over een breed scala aan eindtoestanden, inclusief complexe processen zoals Higgs-productie en hypothetische donkere materie-scenario's (SMS $T_2tt$ en $T\chi_2^0 ZZ$).
• Kalibratie: Door middel van een kwantiel-gebaseerde kalibratie (gebaseerd op $Z \to \mu\mu$ data) is een uitstekende overeenkomst tussen simulatie en werkelijke data bereikt.

5. Betekenis en Conclusie

DEEPMET vertegenwoordigt een significante stap voorwaarts in de precisie-fysica bij de LHC. Door machine learning effectief in te zetten op deeltjesniveau, kan de CMS-experimentator de nauwkeurigheid van de impulsbalans vergroten. Dit verhoogt de gevoeligheid voor nieuwe fysica (Beyond the Standard Model) en verbetert de precisie van standaardmodel-metingen (zoals de $W$-bosonmassa). De robuustheid tegen pileup maakt het algoritme bovendien essentieel voor de toekomstige High-Luminosity LHC (HL-LHC) runs.