TIGER: A Topology-Agnostic, Hierarchical Graph Network for Event Reconstruction

Het artikel introduceert TIGER, een nieuw topologie-agnostisch hiërarchisch graafnetwerk dat de beperkingen van single-topology modellen overwint door de universele structuur van sequentiële twee-lichaam vervallen te benutten om flexibele, multi-task event reconstructie en classificatie uit te voeren voor diverse fysica-processen bij de LHC.

De kern

Stel je de Large Hadron Collider (LHC) voor als een enorme, razendsnelle auto-ongeluk. Wanneer twee protonen op elkaar botsen, vallen ze niet alleen uiteen in stukjes; ze versplinteren in een chaotische cascade van kleinere deeltjes die alle kanten op vliegen. Deze deeltjes zijn onstabiel en vervallen (vallen uit elkaar) bijna onmiddellijk, waardoor er een "stamboom" van puin ontstaat.

De taak van Event Reconstruction (gebeurtenisreconstructie) is om naar de uiteindelijke stapel puin te kijken (de deeltjes die de detector raken) en precies uit te vogelen welk origineel "ouderdeeltje" elk stukje afkomstig is. Het is alsof je probeert naar een stapel kapotte Lego-steentjes te kijken en deze correct terug te sorteren naar de specifieke Lego-sets waartoe ze oorspronkelijk behoorden, zelfs als je de originele sets niet kunt zien.

Het probleem met oude methoden

Traditioneel gebruikten wetenschappers rigide regels (zoals wiskundige formules) om dit puin te sorteren. Echter, wanneer de botsing complex is, zijn er te veel mogieve manieren om de stukjes te sorteren, en loopt de wiskunde vast.

Onlangs zijn wetenschappers AI gaan gebruiken om te helpen. Maar de meeste van deze AI-modellen zijn als gespecialiseerde detectives:

• Eén detective wordt ingehuurd alleen om "Auto-ongeluk A" op te lossen. Zij weten precies hoe de auto eruitzag voordat hij crashte.
• Een andere detective wordt ingehuurd alleen voor "Auto-ongeluk B".

Als je een stapel puin van "Auto-ongeluk B" aan de "Auto-ongeluk A"-detective geeft, raakt deze in de war omdat zij een specifieke vorm verwacht. In echte natuurkundige experimenten heb je vaak een mix van verschillende soorten botsingen (signalen) en achtergrondruis. Als je AI te gespecialiseerd is, dwingt het elke gebeurtenis om eruit te zien als het type waarvoor het getraind is, wat tot fouten leidt.

De oplossing: TIGER

De auteurs introduceren TIGER (Topology-Independent Graph-based Event Reconstruction). Denk aan TIGER niet als een gespecialiseerde detective, maar als een meester-puzzeloplosser die de regels begrijpt van hoe puzzels worden opgebouwd, in plaats van specifieke plaatjes uit het hoofd te leren.

TIGER is Topology-Agnostic (topologie-onafhankelijk). Dit betekent dat het niet vooraf hoeft te weten hoe het uiteindelijke plaatje eruitziet. Het heeft geen "bouwtekening" van de gebeurtenis nodig.

Hoe TIGER werkt (De analogie)

TIGER gebruikt een "hiërarchische" aanpak, wat lijkt op het oplossen van een puzzel in twee stappen:

1. Stap 1: Het vinden van de tussenliggende stukken.
   Stel je voor dat het puin zich in groepen verdeelt. TIGER zoekt eerst naar kleine clusters die waarschijnlijk van een ouderdeeltje op een tussenliggend niveau komen. Het kan bijvoorbeeld twee deeltjes opsporen die duidelijk afkomstig zijn van een "W-boson" (een tussenpersoon-deeltje), zelfs als het nog niet weet wat het uiteindelijke ouderdeeltje was. Het behandelt deze clusters als "meta-nodes" (super-stukken).

   • Metafoor: Het is alsof je twee Lego-steentjes ziet die aan elkaar geklikt zijn en beseft: "Ah, dit is een wiel-assemblage", zonder nog te weten of dit wiel bij een auto of een vrachtwagen hoort.

2. Stap 2: Het bouwen van het uiteindelijke plaatje.
   Zodra het deze "wiel-assemblages" (tussenliggende deeltjes) heeft geïdentificeerd, kijkt het naar hoe ze verbonden zijn met andere losse stukjes om de uiteindelijke "moeder"-deeltjes te vormen (zoals een topkwark of een Higgs-boson).

   • Metafoor: Nu neemt het die "wiel-assemblage" en klikt deze vast op een chassis om te beseffen: "Oh, dit is een auto!"

De geheime saus: TIGER gaat ervan uit dat de meeste deeltjes in een eenvoudige keten vervallen: één ouder splitst in twee kinderen, en die kinderen kunnen weer splitsen in twee meer. Het gaat er niet vanuit wat die ouders zijn, alleen hoe ze splitsen. Dit stelt het in staat om complexe, rommelige gebeurtenissen aan te pakken waarbij het aantal deeltjes varieert, of waar verschillende soorten crashes tegelijkertijd plaatsvinden.

Wat het onderzoek aantoonde

De onderzoekers testten TIGER op twee soorten deeltjesbotsingen:

1. Volledig hadronische $t\bar{t}$: Een complexe botsing waarbij topquarks betrokken zijn.
2. Semi-leptonische $t\bar{t}H$: Een nog rommeligere botsing waarbij topquarks en een Higgs-boson betrokken zijn.

Ze vergeleken TIGER met de huidige "kampioens"-AI-modellen (HyPER en SPANet), die de eerder genoemde gespecialiseerde detectives zijn.

• Nauwkeurigheid (Efficiëntie): TIGER was net zo goed in het vinden van de juiste deeltjes als de gespecialiseerde modellen.
• Zuiverheid (Purity): Hier blonk TIGER echt uit. Omdat TIGER de data niet dwingt om in een vooraf ingestelde vorm te passen, maakte het veel minder "valse" verbindingen.
  • Het resultaat: Terwijl gespecialiseerde modellen vaak "twee topquarks" voorspelden, zelfs wanneer de data slechts één ondersteunde (wat leidde tot fouten), zei TIGER: "Ik zie er maar één", en had het gelijk. Het verminderde het aantal foutieve gokken met een aanzienlijke marge (soms zelfs de zuiverheid te verdubbelen).

Bonus: De twee-in-één truc

Het artikel liet ook zien dat TIGER twee taken tegelijk kan uitvoeren. Terwijl het de deeltjes sorteert, kan het ook naar de hele stapel kijken en zeggen: "Dit is een signaal-gebeurtenis" (de interessante natuurkunde die we willen vinden) of "Dit is achtergrondruis" (saai spul). Het voerde deze classificatietaak ook beter uit dan de gespecialiseerde modellen.

De kernboodschap

TIGER is een flexibele, slimme tool die niet verteld hoeft te worden wat voor soort gebeurtenis het bekijkt. Het leert de fundamentele regels van hoe deeltjes uiteenvallen en gebruikt die om het verleden te reconstrueren. Het is meer aanpasbaar en maakt minder fouten wanneer de data rommelig of gemengd is, wat het een krachtig nieuw instrument maakt voor natuurkundigen die het universum proberen te begrijpen.

Technische samenvatting

Technische Samenvatting: TIGER – Een Topologie-Agnostisch, Hiërarchisch Grafieknetwerk voor Event Reconstructie

Probleemstelling
Event reconstructie bij de Large Hadron Collider (LHC) houdt in dat geobserveerde detectorobjecten (jets, leptonen) worden toegewezen aan hun ware deeltjesouders. Dit is een combinatorische uitdaging die onhandelbaar wordt voor traditionele statistische methoden (bijv. $\chi^2$, likelihood) in events met meerdere instabiele deeltjes. Hoewel recente machine learning-benaderingen zoals Topograph, HyPER en SPANet de prestaties hebben verbeterd door fysieke kennis in netwerkarchitecturen te integreren, lijden zij aan een kritieke beperking: ze vertrouwen op een enkele, vooraf gedefinieerde event-topologie. In realistische analyses waarbij signalen en achtergrondprocessen met verschillende structuren gelijktijdig voorkomen, vereisen deze gespecialiseerde modellen ofwel architecturale wijzigingen voor nieuwe topologieën, of dwingen ze achtergrondevents in de signaal-topologie, wat de generaliseerbaarheid en zuiverheid beperkt.

Methodologie: De TIGER-architectuur
De auteurs introduceren TIGER (Topology-Independent Graph-based Event Reconstruction), een hiërarchisch grafieknetwerk dat ontworpen is om fundamenteel topologie-agnostisch te zijn. Het model werkt op de observatie dat de meeste LHC-processen sequentiële tweedeeltjes-zeren bevatten (bijv. $t \to Wb \to qq'b$), hoewel het specifieke vervalreeksen niet hard-codeert.

De architectuur bestaat uit drie primaire componenten:

1. Encoding: Inputkenmerken (transversale impuls $p_T$, pseudorapiditeit $\eta$, azimutale hoek $\phi$, massa $m$ en ontbrekende transversale energie MET) worden geconcateneerd met one-hot gecodeerde tags (b-tag, lepton-tag). Deze worden geëmbed via Multi-Layer Perceptrons (MLP's) en verwerkt door een Diffusion Transformer (DiT) om verborgen representaties bij te werken, waarbij globale context (gemiddelde node-kenmerken en totaal aantal objecten) wordt geïntegreerd.
2. Hiërarchisch Grafiekleren: Dit is de kerninnovatie, die in twee stadia verloopt:
   • Stadium 1: Een volledig verbonden grafiek wordt geconstrueerd vanuit de inputobjecten. Een MLP classificeert randen (edges) om te bepalen of twee objecten afkomstig zijn van hetzelfde deeltjesouder (bijv. het vormen van een $W$-boson of Higgs-boson). Geïdentificeerde intermediaire deeltjes worden gepromoveerd tot "meta-nodes".
   • Stadium 2: Een nieuwe grafiek wordt gevormd die de originele nodes en de geselecteerde meta-nodes bevat. Randclassificatie wordt opnieuw uitgevoerd om intermediaire deeltjes te combineren met resterende objecten om finale deeltjes te vormen (bijv. het combineren van een $W$ meta-node en een $b$-jet om een topkwark te vormen).
   • Ontwerpkeuze: Om foutpropagatie te voorkomen, worden nodes die in meta-nodes zijn opgenomen niet weggegooid; ze blijven beschikbaar voor het tweede stadium. Ambigue toewijzingen (bijv. gedeelde jets) zijn toegestaan tijdens de training, maar worden opgelost via een specifiek post-processing algoritme tijdens de evaluatie om fysieke consistentie te waarborgen (geen dubbeltellingen).
3. Event Classificatie (Optioneel): Een pooling-laag aggregeert kenmerken van nodes en meta-nodes en stuurt deze door een MLP voor binaire signaal-tegenover-achtergrond classificatie.

De totale verliesfunctie is een gewogen som van de cross-entropy verliezen van beide grafiekleerstadia, een hulp-taak (predictie van deeltjesoorsprong), en de event-niveau classificatie.

Belangrijkste Bijdragen

• Topologie Agnosticisme: In tegen tegenstelling tot HyPER of SPANet, vereist TIGER geen voorafgaande kennis van de event-topologie of het aantal reconstructeerbare deeltjes. Het leert de vervalstructuur direct uit de data.
• Multi-Task Learning: Het framework ondersteunt simultane event reconstructie en classificatie, waarbij gedeelde representaties worden benut om de prestaties te verbeteren.
• Generaliseerbaarheid: Door enkel te vertrouwen op de gemeenschappelijke onderliggende structuur van sequentiële tweedeeltjes-zeren, kan het model theoretisch diverse signaal- en achtergrondprocessen afhandelen zonder architecturale wijzigingen.

Resultaten
Het model werd geëvalueerd op twee datasets: volledig hadronische $t\bar{t}$ events en semileptonische $t\bar{t}H$ events.

• Volledig Hadronische $t\bar{t}$: Vergeleken met de gespecialiseerde HyPER baseline bereikte TIGER vergelijkbare reconstructie-efficiënties, maar demonstreerde aanzienlijk hogere zuiverheid (purity). Voor enkelvoudige topquarks verbeterde de zuiverheid met bijna 10% gemiddeld. Op event-niveau was de zuiverheid van TIGER meer dan dubbel zo hoog als die van de baseline in scenario's met een lage jet-multipliciteit. Dit wordt toegeschreven aan de neiging van de baseline om een twee-top reconstructie af te dwingen, zelfs wanneer de event-topologie dit niet ondersteunt, terwijl TIGER zich aanpast aan de werkelijke event-structuur.
• Semileptonische $t\bar{t}H$: Vergeleken met SPANet vertoonde TIGER vergelijkbare efficiënties voor het reconstrueren van het Higgs-boson en de leptonische top. Hoewel het iets ondermaats presteerde bij het reconstrueren van de hadronische top en de volledige event, bereikte het een substantiële verbetering in zuiverheid (ongeveer 10% gemiddeld) over de hadronische tops, Higgs-bosonen en volledige event-reconstructies.
• Signaal versus Achtergrond: In een classificatietaak om onderscheid te maken tussen $t\bar{t}H$ en de dominante achtergrond $t\bar{t} + bb$, presteerde TIGER beter dan een gefinetunede SPANet baseline, wat de effectiviteit van het als multi-task learning framework valideert.

Betekenis en Claims
Het artikel claimt dat TIGER een krachtig en generaliseerbaar instrument biedt voor LHC-fysica analyse. De primaire betekenis ligt in het overbruggen van de kloof tussen de hoge prestaties van gespecialiseerde modellen en de flexibiliteit die vereist is voor realistische experimentele condities waarbij event-topologieën niet vooraf bekend zijn. Door de noodzaak van vooraf gedefinieerde topologische aannames te verwijderen, biedt TIGER een robuuster framework voor analyses die betrokken zijn bij gemengde signaal- en achtergrondprocessen. De auteurs merken op dat hoewel het huidige werk zich richt op tweedeeltjes-vervalketens, de architectuur van nature uitbreidbaar is naar complexere topologieën (bijv. drie-prong vervallen) via extra hiërarchische niveaus, hoewel dergelijke generalisaties buiten de scope van deze specifieke studie vallen.