Machine learning in online and offline reconstruction and identification with CMS

Machine learning speelt een steeds belangrijkere rol bij de reconstructie en identificatie van deeltjes binnen het CMS-experiment, van de huidige Run-3 tot de toekomstige High-Luminosity LHC, om de precisie en efficiëntie van fysica-analyses te maximaliseren.

De kern

De Super-Detective van deeltjes: Hoe AI de CMS-detector helpt de kosmos te ontcijferen

Stel je voor dat je in een gigantische, razendsnelle discotheek staat waar miljoenen mensen tegelijkertijd dansen, praten en cocktails gooien. Het is een chaos van beweging en geluid. Nu wil je echter precies weten: wie is die ene specifieke persoon die een blauwe cocktail vasthoudt en een specifieke dans doet?

Dat is precies het probleem waar de wetenschappers van het CMS-experiment (bij de Large Hadron Collider in CERN) mee kampen. Ze botsen deeltjes met een enorme snelheid tegen elkaar aan, en die botsingen creëren een explosie van duizenden nieuwe deeltjes. Het is een digitale chaos.

In dit paper legt Uttiya Sarkar uit hoe ze Machine Learning (AI) gebruiken om uit die chaos de belangrijkste "hoofdrolspelers" (deeltjes zoals het Higgs-boson) te herkennen.

1. De Slimme Sorteerders (Jet Flavor Tagging)

Wanneer deeltjes botsen, ontstaan er vaak "jets": bundels deeltjes die als een soort snelvuur uit de botsing schieten. Sommige van deze bundels komen van zware deeltjes (zoals de bottom-quark), andere van lichtere.

De metafoor: Zie een "jet" als een zak vol met verschillende soorten snoepjes die door de lucht is gesmeten. De AI werkt hier als een supersnelle sorteermachine. In plaats van alleen te kijken naar de kleur van het snoepgoed, kijkt de AI naar de vorm, het gewicht en zelfs de manier waarop het snoepje valt. Met nieuwe technieken (zoals UParT) kan de AI nu zelfs het verschil zien tussen een chocolaatje en een karamel, zelfs als ze door elkaar gehusseld zijn.

2. De Tau-Specialist (Hadronic Tau Identification)

Er is een specifiek deeltje, de Tau, die heel lastig te herkennen is. Hij lijkt ontzettend veel op de "gewone" ruis van de botsing.

De metafoor: Stel je voor dat je in een menigte probeert een specifieke zanger te vinden die een heel kort, uniek liedje zingt, terwijl iedereen om hem heen ook staat te schreeuwen. De AI (DeepTau) is hier de "super-luisteraar" die de subtiele nuances in de stem herkent, waardoor de zanger direct boven het lawaai uitsteekt.

3. De Scherpzichtige Camera (Elektronen, Fotonen en Muonen)

Om deeltjes zoals elektronen en fotonen te zien, moet de detector de energie van de lichtflitsen heel nauwkeurig meten.

De metafoor: Vroeger was de detector als een oude camera die een beetje wazige foto's maakte van lichtflitsen. Nu gebruiken ze AI om die foto's "scherp te stellen". De AI kijkt naar de vorm van de lichtvlek en zegt: "Dit is geen vage vlek, dit is een perfecte foton-flits!"

4. Voorbereiding op de Grote Chaos (Phase 2 & HL-LHC)

In de nabije toekomst gaat de LHC nog harder werken. Er komt veel meer "pileup": de hoeveelheid deeltjes die tegelijkertijd botsen wordt extreem hoog.

De metafoor: Als de huidige situatie een drukke discotheek is, dan is de toekomst een festival met een miljoen mensen tegelijk. Om dan nog steeds één specifiek persoon te kunnen vinden, hebben we geen gewone camera's meer nodig, maar een soort "super-radar" die in 3D kan zien wie waar staat. De wetenschappers ontwikkelen nu AI (zoals GNNs) die in deze enorme 3D-chaos kan navigeren zonder de weg kwijt te raken.

Conclusie

Kortom: dit paper laat zien dat we niet langer alleen maar naar de deeltjes kijken met "brute kracht" (simpele regels en filters), maar dat we de intelligentie van computers gebruiken om de verborgen patronen in de natuur te ontdekken. Dankzij AI kan CMS de kleinste geheimen van het universum sneller en nauwkeuriger ontrafelen dan ooit tevoren.

Technische samenvatting

Technische Samenvatting: Machine Learning in Online en Offline Reconstructie en Identificatie bij CMS

Probleemstelling

De CMS-experimenten bij de Large Hadron Collider (LHC) worden geconfronteerd met een steeds complexere dataomgeving. De uitdagingen zijn tweeledig:

1. Online (Triggering): Het maken van razendsnelle beslissingen om relevante fysica-events te selecteren uit een enorme stroom data, waarbij beperkte rekenkracht beschikbaar is.
2. Offline (Analyse): Het nauwkeurig reconstrueren van deeltjes (zoals jets, tau-leptonen, elektronen, fotonen en muonen) met een maximale resolutie en minimale achtergrondruis, zelfs onder extreme omstandigheden zoals de hoge pileup (meerdere botsingen per gebeurtenis) die verwacht wordt bij de High-Luminosity LHC (HL-LHC).

Traditionele methoden, gebaseerd op handmatige selectiecriteria (cut-based) of eenvoudige multivariate analyses, schieten tekort in het benutten van de volledige informatie die moderne detectoren leveren.

Methodologie

Het paper beschrijft de transitie van traditionele algoritmen naar geavanceerde Deep Learning-architecturen. De gebruikte methodologieën omvatten:

• Graph Neural Networks (GNN) & ParticleNet: Gebruik van de geometrische structuur van deeltjes (constituenten) in plaats van alleen globale variabelen.
• Transformers (UParT): Het toepassen van attention mechanisms voor het identificeren van de vluchtige eigenschappen van jets.
• Adversarial Training: Het trainen van modellen met doelbewuste verstoringen om de robuustheid tegen simulatie-fouten (mismodeling) te vergroten.
• Domain Adaptation: Technieken om de kloof tussen simulatie (Monte Carlo) en werkelijke data te overbruggen.
• 3D Reconstructie (TICL & GNN): Voor de nieuwe High-Granularity Calorimeter (HGCAL) wordt gebruikgemaakt van 3D-tracksters om elektromagnetische en hadronische schoten te onderscheiden.

Belangrijkste Bijdragen

Het onderzoek presenteert vooruitgang op vier cruciale gebieden:

1. Jet Flavor Tagging: De introductie van UParT (Unified ParticleTransformer), die niet alleen b-jets en c-jets identificeert, maar ook voor het eerst effectieve s-tagging (strange quarks) en hadronische tau-jets mogelijk maakt. Daarnaast is een lichtgewicht ParticleNet geïmplementeerd in het High-Level Trigger (HLT) systeem.
2. Hadronische Tau-identificatie: De ontwikkeling van DeepTau v2.5, die superieure scheiding biedt tussen tau-leptonen en achtergrondjets door gebruik te maken van geavanceerde architecturen voor deeltjes-constituenten.
3. Elektron-, Foton- en Muon-identificatie: De overstap van geometrische methoden (zoals Mustache) naar DNN-gebaseerde methoden (DeepSuperCluster) voor betere energie-reconstructie in de ECAL, en het gebruik van multivariate classifiers voor muonen.
4. Phase-2/HL-LHC Voorbereiding: Ontwikkeling van algoritmen voor de HGCAL, waarbij GNN's worden ingezet om de extreme pileup-condities aan te kunnen door 3D-informatie te gebruiken.

Resultaten

• Stabiliteit en Efficiëntie: De online ParticleNet-tagger vertoont een stabiele efficiëntie over verschillende periodes van Run-3, ondanks veroudering van de detector.
• Verbeterde Resolutie: DeepSuperCluster levert een foton-energie-resolutie die veel dichter bij de theoretische simulatie ligt dan de oude methoden.
• Superieure Scheiding: UParT bereikt state-of-the-art prestaties in zowel b- als c-jet tagging en biedt significante verbeteringen in de identificatie van strange-quark jets.
• Achtergrondreductie: De nieuwe methoden voor tau- en muon-identificatie laten een aanzienlijke toename zien in de efficiëntie bij een gelijkblijvende of verbeterde onderdrukking van de achtergrond.

Significantie

Dit werk is van fundamenteel belang voor de toekomstige fysica van de LHC. Door machine learning diep te integreren in zowel de online trigger als de offline reconstructie, kan CMS:

• De gevoeligheid voor zeldzame processen (zoals Higgs-boson verval naar charm-quarks) vergroten.
• De enorme hoeveelheid data van de HL-LHC effectief verwerken.
• De precisie van metingen verhogen, wat essentieel is voor het ontdekken van nieuwe fysica buiten het Standaardmodel.