Minimising Event Size, Maximising Physics: Inclusive Particle Isolation for LHCb's Run 3

Dit artikel introduceert de Inclusive Multivariate Isolation (IMI), een nieuw algoritme dat de dataomvang van LHCb's Run 3 met 45% verkleint door alleen de meest relevante deeltjes te selecteren, terwijl de signaalefficiëntie en de fysica-prestaties volledig behouden blijven.

De kern

Titel: De Slimme Scherprechter voor deeltjesversnellers

Stel je voor dat de LHCb-detector bij CERN een gigantische, hyper-snelle camera is die deeltjesbotsingen fotografeert. Maar er is een groot probleem: deze camera maakt niet één foto per seconde, maar 30 miljoen. En elke foto is niet zomaar een plaatje; het is een enorme, rommelige data-bundel.

In de nieuwe "Run 3" fase van het experiment, wordt het nog drukker. Het is alsof je probeert een gesprek te voeren in een drukke metro tijdens de spits, terwijl er tegelijkertijd duizenden mensen om je heen schreeuwen. De meeste van die mensen (de deeltjes) hebben niets met jouw gesprek te maken. Ze zijn gewoon "ruis".

Deze paper introduceert een slimme oplossing om die ruis weg te halen, zodat we de echte "gesprekken" (de interessante natuurkundige ontdekkingen) kunnen horen, zonder dat de computer vastloopt door de hoeveelheid data.

Het Probleem: Een rommelige kamer

Stel je voor dat je een kamer binnenloopt waar iemand een waardevol schilderij heeft neergezet (het signaal). Maar de kamer zit vol met honderden mensen die daar niets mee te maken hebben (de achtergrond).

• Het schilderij is klein, misschien maar 10% van de ruimte.
• De rest van de ruimte wordt ingenomen door de menigte.
• Als je de hele kamer wilt fotograferen en opslaan, wordt de bestandsgrootte enorm. Je harddrive springt eraf, en het kost te veel tijd om alles te bekijken.

Vroeger probeerden wetenschappers de menigte weg te houden door simpel te zeggen: "Alles wat verder dan 1 meter van het schilderij staat, mag weg." Dit werkt soms, maar in een drukke metro (hoge drukte in de deeltjesversneller) staan er vaak mensen die eruitzien alsof ze bij het schilderij horen, maar dat niet zijn. Of mensen die wél bij het schilderij horen, maar net buiten die 1 meter staan.

De Oplossing: De "Inclusive Multivariate Isolation" (IMI)

De auteurs van dit paper hebben een nieuwe, slimme AI-scherprechter bedacht, genaamd IMI.

In plaats van een simpele liniaal te gebruiken (zoals de oude methoden), kijkt IMI naar de gedragingen en relaties van elke persoon in de kamer. Het is alsof je een detective hebt die niet alleen kijkt naar de afstand, maar ook naar:

• "Kijkt deze persoon in dezelfde richting als het schilderij?"
• "Zit deze persoon op een lijn met de andere mensen die bij het schilderij horen?"
• "Is deze persoon waarschijnlijk een toevallige voorbijganger of een echte vriend van het schilderij?"

De AI leert dit door duizenden voorbeelden te bestuderen. Ze krijgt te zien: "Kijk, dit is een echte vriend van het schilderij, zelfs als hij een beetje verder weg staat. En dit is een leugenaar, zelfs als hij dichtbij staat."

Hoe werkt het in de praktijk?

1. De Oude Methode (De Liniaal): "Alles binnen een straal van 1 meter blijft, alles daarbuiten weg."
   • Nadeel: Je mist soms vrienden die net buiten de straal staan, en je houdt leugenaars vast die net binnen de straal staan.
2. De Nieuwe Methode (IMI): "Ik bekijk elke persoon individueel en geef een score: 'Hoe waarschijnlijk is het dat deze persoon bij het schilderij hoort?'"
   • Als de score hoog is, houden we de persoon vast.
   • Als de score laag is, gooien we de persoon weg.

Het Resultaat: Een schone kamer

Het mooie aan deze nieuwe AI is dat hij 45% minder data hoeft op te slaan.

• Vroeger: Je slaat 100% van de kamer op (schilderij + 200 mensen).
• Nu: Je slaat alleen het schilderij op + de 10 mensen die écht bij het schilderij horen. De andere 190 mensen worden genegeerd.

Maar het belangrijkste is: je mist niets. De AI is zo slim dat hij 99% van de echte vrienden van het schilderij toch redt. Hij is zelfs beter dan de oude methoden, vooral als de kamer heel druk is (veel "pile-up", oftewel veel botsingen tegelijk).

Waarom is dit zo belangrijk?

De LHCb-experimenten zoeken naar mysterieuze deeltjes die zelden voorkomen (zoals zeldzame vervalprocessen). Om deze te vinden, moeten ze door bergen data graven. Als elke foto te groot is, kan de computer niet snel genoeg werken om de interessante momenten te vinden.

Met deze nieuwe "Slimme Scherprechter" (IMI):

1. Snelheid: De computers hoeven minder data te verwerken.
2. Kwaliteit: De data die overblijft is schoner en relevanter.
3. Toekomst: Het werkt zelfs als het nog drukker wordt in de toekomst (bij de High-Luminosity LHC).

Samenvatting in één zin

Deze paper beschrijft hoe LHCb een slimme AI heeft ingezet die als een ervaren detective door de chaos van deeltjesbotsingen loopt, alleen de écht interessante deeltjes selecteert en de rest weggooit, waardoor ze 45% minder data hoeven op te slaan zonder ook maar één belangrijk detail te missen.

Technische samenvatting

Titel: Minimaliseren van Eventgrootte, Maximaliseren van Fysica: Inclusieve Deeltjesisolatie voor LHCb's Run 3

Auteurs: Marta Calvi et al. (LHCb Collaboration)
Datum: 2 april 2026
Context: CERN-LHCb-RD-2025-001

---

1. Het Probleem

Tijdens Run 3 (2022–2026) van de Large Hadron Collider (LHC) levert de LHCb-detector een ongekende lichtsterkte op ($2 \times 10^{33} \text{ cm}^{-2}\text{s}^{-1}$), wat een vijfvoudige toename betekent ten opzichte van Run 2. Dit resulteert in een enorme toename van het datavolume.

• De Uitdaging: De software-only High-Level Trigger (HLT) reconstructeert ongeveer 250 kHz aan fysische events. Om de opslagcapaciteit en bandbreedte te beheersen, moet de totale datasnelheid worden gereduceerd van ongeveer 10 GB/s (na HLT2) naar 0,8 GB/s (na de "Sprucing"-fase).
• De Oorzaak: Een typisch proton-proton botsingsevent bevat honderden gereconstrueerde sporen (tracks). Hoewel een signaalsignaal (bijv. een zware-flavoured hadron verval) vaak slechts uit een paar geladen deeltjes bestaat, domineren de overige geladen deeltjes (van de onderliggende gebeurtenis en pile-up) de grootte van het event.
  • Geladen deeltjes vormen ongeveer 55% van de eventgrootte.
  • Neutrale deeltjes vormen ongeveer 35%.
  • Metadata en het basisverval vormen slechts 10%.
• De Vraag: Hoe kunnen we efficiënt en inclusief de relevante componenten van een event identificeren en behouden, zonder de grootte van het event te vergroten door irrelevante achtergronddeeltjes op te slaan, en zonder gevoelig te zijn voor specifieke vervaltopologieën?

2. Methodologie

Het paper introduceert een nieuwe aanpak om de eventgrootte te verkleinen door alleen de meest relevante deeltjes te behouden. Dit wordt gedaan via twee hoofdstrategieën:

A. Klassieke Isolatie Algoritmen

Er worden bestaande methoden gebruikt die gebaseerd zijn op geometrische of kinematische criteria:

1. Track Isolatie: Gebaseerd op de impactparameter-significantie ($\chi^2_{IP}$) ten opzichte van het primaire vertex (PV) of het secundaire vertex (SV).
2. Cone Isolatie: Deeltjes binnen een kegel met straal $R = \sqrt{(\Delta\eta)^2 + (\Delta\phi)^2}$ rondom het signaal worden geanalyseerd.
3. Vertex Isolatie: Extra deeltjes worden getest op compatibiliteit met het gereconstrueerde secundaire vertex van het signaal.
   Beperking: Deze methoden presteren minder goed in de hoge-pile-up omgeving van Run 3, waar de dichtheid van deeltjes hoog is.

B. Inclusieve Multivariate Isolatie (IMI)

De kern van dit paper is de ontwikkeling van de IMI-algorithm, een machine learning-oplossing die de sterktes van de klassieke methoden combineert.

• Architectuur: Gebruikmakend van XGBoost (Extreme Gradient Boosting), een lichtgewicht en snelle ML-algoritme.
• Training: Het model is getraind op een breed scala aan gesimuleerde semileptonische beauty-hadron vervallen (inclusief $B^0, B^+, B_s^0, \Lambda_b^0$ met elektronen, muonen en tau's).
• Input Features: Het model gebruikt 10 kenmerken die de fysica van de isolatie beschrijven, waaronder:
  • Impactparameter significantie ten opzichte van PV en SV.
  • Kegelafstand ($\Delta R$) en hoekafwijkingen.
  • Vliegrichting (DIRA) en verplaatsing van het secundaire vertex.
  • Transversale impuls ($p_T$) en openingshoeken.
• Werking: Voor elk signaalcandidaat (de "base particles") evalueert IMI elke extra geladen deeltje in het event. Het model kent een score toe:
  • Niet-geïsoleerd (Signaal): Deeltjes die waarschijnlijk uit hetzelfde verval komen (bijv. een pion uit een $D^*$-verval). Deze worden behouden.
  • Geïsoleerd (Achtergrond): Deeltjes die waarschijnlijk uit de onderliggende gebeurtenis of een ander verval komen. Deze worden verworpen en niet opgeslagen.
• Implementatie: IMI wordt toegepast in de Sprucing-fase (offline selectie na de trigger), waarbij volledige events eerst worden opgeslagen op tape, waarna alleen de geselecteerde deeltjes naar schijf worden geschreven.

3. Belangrijkste Bijdragen

1. Ontwikkeling van IMI: Een uniek multivariaat algoritme dat specifiek is ontworpen om complexe vervalketens met variërende multipliciteiten van eindtoestanden te reconstrueren, ongeacht de kinematica.
2. Data-Size Reductie: Een bewezen methode om de eventgrootte drastisch te verkleinen zonder fysieke prestaties te verliezen.
3. Onafhankelijke Validatie: IMI werkt onafhankelijk van klassieke isolatie; selectielijnen die IMI gebruiken, vertrouwen niet op vooraf geselecteerde kandidaten via klassieke methoden.
4. Validatie met Real Data: Het algoritme is getest en gevalideerd op echte Run 3-data, wat de robuustheid onder realistische condities aantoont.

4. Resultaten

De prestaties van IMI zijn vergeleken met klassieke methoden (Track, Cone, Vertex) op basis van gesimuleerde data en Run 3-data:

• Prestatie (AUC): IMI bereikt een Area Under the Curve (AUC) van 0,9964, wat aangeeft dat het signaal zeer goed van achtergrond te onderscheiden is.
• Efficiëntie vs. Rejectie:
  • Bij een werkend punt van 99% signaalefficiëntie (behoud van signaaldeeltjes), bereikt IMI een 90-95% achtergrondrejectie.
  • Dit is een verbetering van 2 tot 5 keer ten opzichte van klassieke methoden in inclusieve steekproeven.
• Data-Size Reductie:
  • Door alleen de meest relevante ~10 deeltjes per event te behouden (in plaats van ~200), wordt de totale eventgrootte met 45% gereduceerd.
  • De maximale reductie is asymptotisch ongeveer 50%, omdat essentiële componenten (primaire vertex, neutrale deeltjes, trigger-info) altijd bewaard moeten blijven.
• Robuustheid:
  • IMI presteert consistent goed over verschillende vervalkanalen (van 1 tot 5 niet-geïsoleerde deeltjes).
  • De prestatie degradeert niet significant bij hoge multipliciteit van het event (hoge pile-up).
  • De signaalefficiëntie is vrijwel onafhankelijk van kinematische variabelen zoals $q^2$ (vierkante impuls-overdracht), wat cruciaal is voor precisiemetingen.
• Validatie in Data:
  • IMI slaagt erin om bekende resonanties (zoals $D^{*-}$ en $\Lambda_c^*$) succesvol te reconstrueren in Run 3-data zonder kanaalspecifieke tuning.
  • De rangschikking van deeltjes (hoogste score = meest signaal-achtig) komt overeen met de verwachte fysica in zowel simulatie als data.

5. Betekenis en Toekomstperspectief

• Kritiek voor Run 3: IMI is essentieel om de strenge bandbreedte-eisen van LHCb Run 3 te halen, waardoor complexe analyses (zoals die met ontbrekende energie en zeldzame vervalmodi) mogelijk blijven.
• Fysieke Bereik: Door het behoud van complexe vervalketens (bijv. geëxciteerde charm-toestanden) en het definiëren van controlemonsters, verbetert IMI de systematische onzekerheden in precisiemetingen.
• Toekomst (HL-LHC): De lichtgewicht en snelle aard van IMI maakt het een ideale "front-end" voor toekomstige, meer rekenintensieve selectiestrategieën (zoals Graph Neural Networks) in de High-Luminosity LHC (HL-LHC) era. Het kan dienen als een snelle "pruning"-laag om data-volumes beheersbaar te houden voor Run 4 en Run 5.
• Uitbreiding: Plannen zijn er om IMI uit te breiden naar neutrale deeltjes en om het te gebruiken voor het identificeren van prompte deeltjes uit geëxciteerde beauty-hadronen.

Conclusie:
Het paper demonstreert dat de Inclusive Multivariate Isolation (IMI) een krachtige, robuuste en noodzakelijke innovatie is voor de LHCb-experimenten. Het lost het fundamentele probleem op van de groeiende data-overload door slimme selectie toe te passen op het deeltjesniveau, waardoor een reductie van 45% in opslagruimte wordt bereikt zonder afbreuk te doen aan de fysische kwaliteit van de data.