Measurement of the singly Cabibbo-suppressed decay $Λ_c^+\to pη'$ with Deep Learning

Op basis van 4,5 fb⁻¹ data van de BESIII-detector hebben onderzoekers met behulp van een Transformer-gebaseerd deep-learning-model voor het eerst een statistisch significante waarneming (3,4σ) gerapporteerd van de zeldzame Cabibbo-onderdrukte verval $Λ_c^+\to pη'$ en de verhouding van de vertakkingsverhoudingen ten opzichte van $Λ_c^+\to pω$ bepaald.

De kern

Het Grote Zoektochtspel: Een deeltje vinden in een ruziende menigte

Stel je voor dat je in een enorme, drukke discotheek staat (deeltjesversneller BESIII). Overal om je heen dansen miljoenen mensen (deeltjes) die botsen en nieuwe groepjes vormen. Je taak is om één heel specifiek persoon te vinden: een $\Lambda_c^+$-deeltje dat op een heel zeldzame manier verandert in een proton en een $\eta'$-deeltje.

Het probleem? Dit gebeurt extreem zelden. Het is alsof je in die discotheek probeert één specifieke persoon te vinden die een heel rare dansstap maakt, terwijl er duizenden mensen zijn die gewoon normaal dansen of ruzie maken (de achtergrondruis).

1. Het oude probleem: De "Dubbele Tag" methode

Vroeger gebruikten de wetenschappers een methode die ze de "Dubbele Tag" noemden.

• De analogie: Stel je voor dat je twee vrienden hebt die altijd samen komen. Als je de ene vriend (het $\Lambda_c^+$) ziet, moet je ook de andere vriend (het $\bar{\Lambda}_c^-$) zien om zeker te weten dat je op de juiste plek bent.
• Het nadeel: Je moet wachten tot beide vrienden verschijnen. Dat is heel streng. Je mist daardoor veel kansen (lage efficiëntie), maar je hebt wel een heel rustige, schone foto zonder ruis.

2. De nieuwe aanpak: De "Enkele Tag" met een AI-robot

In dit nieuwe onderzoek proberen ze het anders. Ze gebruiken de "Enkele Tag" methode.

• De analogie: Je kijkt alleen naar de ene vriend die de rare dansstap maakt. Je negeert de rest van de discotheek.
• Het voordeel: Je ziet veel meer mensen! Je hebt veel meer kans om je doelwit te vinden.
• Het probleem: Omdat je de rest negeert, staat je foto nu vol met ruis. Mensen die gewoon dansen, lijken soms op je doelwit. Het is een enorme chaos.

Hoe lossen ze dit op?
Ze hebben een Deep Learning-robot (een kunstmatige intelligentie) ingeschakeld.

• De Metafoor: Stel je voor dat je een super-scherpe camera hebt die niet alleen kijkt naar wie er dansen, maar ook naar hoe ze bewegen, hoe ze ademen, en de trillingen in de vloer.
• Deze AI is getraind op miljoenen voorbeelden (simulaties) om het verschil te zien tussen:
  1. De echte danser (het signaal).
  2. De vriend van de danser die niet dansen doet (achtergrond van het deeltje).
  3. De mensen die gewoon ruzie maken (hadronische achtergrond).

De AI werkt als een Transformer (een slimme soort hersenen die patronen herkent in een wirwar van informatie). Hij kijkt naar alle deeltjes in het evenement en zegt: "Ik weet zeker dat dit de rare danser is!" of "Nee, dit is gewoon ruis."

3. Het resultaat: Een glimp van succes

Na het toepassen van deze slimme AI-filter:

• De ruis (de mensen die niet horen bij het verhaal) is met honderdvoud verminderd.
• Ze hebben toch nog ongeveer 40% van de echte dansers (het signaal) kunnen redden.
• De uitslag: Ze hebben het deeltje gevonden met een zekerheid van 3,4 sigma.
  • Wat betekent dat? In de wereld van deeltjesfysica is 3 sigma al een sterke aanwijzing (ongeveer 99,7% zekerheid dat het niet toeval is). Het is nog geen 5 sigma (de "gouden standaard" voor een definitieve ontdekking), maar het is een heel sterk bewijs dat het deeltje bestaat en dat de methode werkt.

4. Waarom is dit belangrijk?

Ze hebben niet alleen het deeltje gevonden, maar ook gemeten hoe vaak dit gebeurt vergeleken met een ander, bekend deeltje ($\Lambda_c^+ \to p\omega$).

• De verhouding: Ze ontdekten dat het rare deeltje ongeveer 0,55 keer zo vaak voorkomt als het bekende deeltje.
• Waarom doen ze dit? De theoretische natuurkundigen hebben modellen gemaakt (zoals een bouwtekening) om te voorspellen hoe deze deeltjes zich gedragen. Sommige modellen zeggen: "Het gebeurt zelden", andere zeggen: "Het gebeurt vaak."
• Met deze nieuwe meting kunnen ze de modellen verbeteren. Het lijkt erop dat de theorieën die gebaseerd zijn op SU(3)-flavoursymmetrie (een soort wiskundige symmetrie in de deeltjeswereld) beter kloppen dan de oude modellen.

Samenvatting in één zin

De wetenschappers van BESIII hebben een slimme AI-robot ingezet om een heel zeldzaam deeltje te vinden in een enorme menigte ruis; door alleen naar de ene kant van een botsing te kijken en de AI te laten filteren, hebben ze een nieuw bewijs gevonden dat helpt om de bouwregels van het universum beter te begrijpen.

Technische samenvatting

Probleemstelling

Het meten van zeldzame vervalmodi van charmed-baryonen, zoals het enkel Cabibbo-onderdrukte (SCS) verval $\Lambda_c^+ \to p\eta'$, is cruciaal voor het begrijpen van de sterke en zwakke dynamica in het charm-sectoren. Theoretische modellen (zoals het constituent-quarkmodel, topologische diagrammen en SU(3)-flavoursymmetrie) voorspellen vertakkingsfractionen (BF) in de orde van $10^{-4}$ tot $10^{-3}$, maar er is grote spreiding in deze voorspellingen.

De belangrijkste uitdaging bij de experimentele meting van dit specifieke verval is de enorme combinatorische achtergrond in $e^+e^-$-botsingen. Traditionele methoden, zoals de "double-tag" (DT) methode die eerder door BESIII werd gebruikt, zijn effectief in het onderdrukken van achtergrond door het tegenovergestelde $\bar{\Lambda}_c^-$ volledig te reconstrueren, maar leiden tot zeer lage efficiënties en beperkte statistiek. Een "single-tag" (ST) benadering, waarbij alleen het $\Lambda_c^+$ wordt gereconstrueerd, verhoogt de efficiëntie aanzienlijk, maar introduceert een overweldigende achtergrond die moeilijk met traditionele snijwaarden (cuts) te scheiden is.

Methodologie

De auteurs presenteren een nieuwe analyse gebaseerd op 4,5 fb$^{-1}$ aan $e^+e^-$-botsingsdata, verzameld bij het BESIII-detector bij centrum-massa-energieën tussen 4,600 en 4,699 GeV.

1. Single-Tag Strategie: In plaats van het tegenovergestelde baryon te taggen, wordt alleen het $\Lambda_c^+ \to p\eta'$ verval gereconstrueerd. De $\eta'$-meson wordt geïdentificeerd via de dominante vervalmodus $\eta' \to \pi^+\pi^-\gamma$.
2. Deep Learning Classificatie: Om het signaal te onderscheiden van de grote achtergrond (bestaande uit hadronische achtergrond en niet-signaal $\Lambda_c^+\bar{\Lambda}_c^-$ verval), wordt een geavanceerde Deep Neural Network (DNN) gebruikt.
   • Architectuur: Het model is gebaseerd op de Particle Transformer (ParT), een Transformer-gebaseerd neurale netwerk dat oorspronkelijk is ontwikkeld voor jet-tagging bij de LHC.
   • Input: Het netwerk verwerkt de gebeurtenissen als een "point cloud" (een ongeordende verzameling punten in een hoogdimensionale feature space). Input-features omvatten geladen sporen (hoeken, impuls, lading, helix-parameters) en geïsoleerde showers in de elektromagnetische calorimeter (EMC) (energie, tijd, aantal kristallen).
   • Training: Het model is getraind voor een drie-klassen classificatie: signaal, $\Lambda_c^+\bar{\Lambda}_c^-$ niet-signaal achtergrond, en hadronische achtergrond. Er werd gebruik gemaakt van een ensemble-methode (tien onafhankelijke netwerken) om de robuustheid te vergroten en overfitting te voorkomen.
3. Normalisatie: De relatieve vertakkingsfractie wordt gemeten ten opzichte van het referentiekanaal $\Lambda_c^+ \to p\omega$ (waarbij $\omega \to \pi^+\pi^-\pi^0$). Dit cancelt veel systematische onzekerheden.
4. Signaalextractie: Na toepassing van de DNN-classificator (met een discriminatorwaarde $S > 0.98$) wordt een gelijktijdige binned maximum-likelihood fit uitgevoerd op de massa-constrained ($M_{BC}$) verdelingen voor alle energiepunten.

Belangrijkste Bijdragen

• Toepassing van Deep Learning in BESIII: Dit is een van de eerste toepassingen van een Transformer-gebaseerd model (ParT) binnen de BESIII-analyses om complexe achtergronden in charmed-baryon vervallen te scheppen.
• Efficiëntie vs. Achtergrond: De studie demonstreert dat de combinatie van de Single-Tag methode met een DNN de achtergrond met meer dan twee orde van grootte (factor >100) kan reduceren, terwijl ongeveer 40% van het signaal behouden blijft. Dit maakt een duidelijke signaalextractie mogelijk waar traditionele cuts zouden falen.
• Onafhankelijke Analyse: Hoewel dezelfde dataset wordt gebruikt als in een eerdere BESIII-publicatie (Ref. [16]), is de analyseonafhankelijk en levert deze een onafhankelijke meting op met een andere methodologie.

Resultaten

• Signaalwaarneming: Het signaal voor $\Lambda_c^+ \to p\eta'$ wordt waargenomen met een statistische significantie van 3,4$\sigma$.
• Relatieve Vertakkingsfractie: De verhouding van de vertakkingsfractionen wordt bepaald als:
  $$\frac{\mathcal{B}(\Lambda_c^+ \to p\eta')}{\mathcal{B}(\Lambda_c^+ \to p\omega)} = 0.55 \pm 0.22_{\text{stat}} \pm 0.05_{\text{syst}}$$
• Absolute Vertakkingsfractie: Door gebruik te maken van de wereldgemiddelde waarde voor $\mathcal{B}(\Lambda_c^+ \to p\omega)$, wordt de absolute vertakkingsfractie voor het eerste keer nauwkeurig bepaald als:
  $$\mathcal{B}(\Lambda_c^+ \to p\eta') = (6.15 \pm 2.45_{\text{stat}} \pm 0.53_{\text{syst}} \pm 1.16_{\text{ref}}) \times 10^{-4}$$
• Systematische Onzekerheden: De totale systematische onzekerheid bedraagt 8,7%, waarbij de DNN-classificator en het simultane fit-model de grootste bijdragen leveren (respectievelijk 4,6% en 6,2%).

Betekenis

De resultaten van deze meting zijn consistent met eerdere experimentele metingen (Belle en eerdere BESIII) binnen 1$\sigma$, maar bieden een onafhankelijke bevestiging met een hogere signaalyield dankzij de ST-methode.

• Theoretische Implicaties: De gemeten waarde bevestigt voorspellingen gebaseerd op SU(3)-flavoursymmetrie en topologische diagrammen, terwijl het de voorspellingen van het constituent-quarkmodel (die een veel lagere waarde voorspellen) uitsluit.
• Toekomstperspectief: De succesvolle toepassing van Transformer-gebaseerde deep learning voor het filteren van achtergrond in charmed-baryon vervallen opent de weg voor de analyse van nog zeldzamere vervallen en complexe achtergrondsituaties in toekomstige BESIII-data en andere experimenten.

Samenvattend toont dit paper aan dat geavanceerde machine learning-technieken essentieel zijn om de beperkingen van traditionele analysemethoden te overwinnen en nieuwe inzichten te verkrijgen in de fundamentele deeltjesfysica van charmed-baryonen.