Particle transformers for identifying Lorentz-boosted Higgs bosons decaying to a pair of W bosons

Deze paper introduceert de "Particle transformer" (PaRT), een nieuw diep neurale netwerk dat voor het eerst een sterke prestatie toont bij het identificeren van Lorentz-versterkte Higgs-bosonen die vervallen in W-bosonen, met een efficiëntie van meer dan 50% bij een achtergrondefficiëntie van 1% en gecalibreerd op CMS-data van 138 fb⁻¹.

De kern

Deeltjes-Transformator: Een Slimme Zoektocht naar Verborgen Botsingen

Stel je voor dat het Large Hadron Collider (LHC) bij CERN een gigantische, supersnelle auto-ongelukkenfabriek is. Twee protonen (deeltjes) botsen met een snelheid die bijna die van het licht is. Bij die botsing ontstaan er duizenden andere deeltjes die als een explosie van vuurwerk in alle richtingen vliegen. De CMS-detector is als een supergeavanceerde camera die deze explosie vastlegt.

Het probleem? De meeste ongelukken zijn saai en voorspelbaar (zoals een simpele botsing tussen twee auto's). Maar wetenschappers zoeken naar iets heel speciaals: een "Higgs-boson" dat vervalt in twee "W-bosonen". Dit is als zoeken naar een heel zeldzame, complexe ongelukkensoort in een zee van miljoenen saaie ongelukken. En omdat deze deeltjes zo snel bewegen, lijken ze in de camera niet op losse deeltjes, maar op één grote, rommelige "jet" (een straal) van deeltjes.

De Oplossing: De "Part" (De Deeltjes-Transformator)

De onderzoekers hebben een nieuwe, slimme computerprogramma ontwikkeld, genaamd PART (Particle Transformer). Je kunt dit zien als een super-intelligente detective die net zo goed is in het herkennen van patronen als een meester-chef die uit een grote pot soep precies kan zeggen welke groenten erin zitten, zelfs als ze allemaal door elkaar zitten.

Hier is hoe het werkt, in simpele termen:

1. De "Aandacht" van de Detective:
   Oude methoden keken naar de jet als een hele, ondoorzichtige massa. PART doet iets anders: het gebruikt een techniek die "zelf-aandacht" heet. Stel je voor dat je een foto van een drukke markt hebt. Een oude methode zegt: "Er zijn veel mensen." PART kijkt echter naar elk persoon afzonderlijk en vraagt zich af: "Wie is hier belangrijk? Wie staat dicht bij elkaar? Wie lijkt op een groepje vrienden?"
   In dit geval kijkt PART naar elke deeltje in de jet en beslist het: "Jij bent belangrijk, jij bent minder belangrijk." Hierdoor kan het de structuur van de jet veel beter begrijpen dan de oude methoden.

2. De Oefening (Training):
   Om deze detective slim te maken, hebben ze hem getraind met miljoenen voorbeelden van computer-simulaties. Ze lieten hem zien:

   • "Dit is een saaie jet van QCD (de saaie ongelukken)."
   • "Dit is een jet van een Top-quark (een andere, zeldzame ongelukkensoort)."
   • "En dit is de Heilige Graal: een jet van een Higgs-boson dat vervalt in W-bosonen."

   Ze gaven de detective zelfs een extra opdracht: hij moest niet alleen zeggen wat het was, maar ook hoe zwaar de jet was. Dit zorgde ervoor dat hij niet "valstrikken" liep (bijvoorbeeld denken dat elke zware jet een Higgs is). Hij leerde echt de vorm en structuur te herkennen, niet alleen het gewicht.

3. De Resultaten:
   De nieuwe detective is ongelooflijk goed.

   • Efficiëntie: Hij vindt meer dan de helft van de echte Higgs-bosons (dat is een enorm verbetering).
   • Nauwkeurigheid: Hij verwart ze bijna nooit met de saaie achtergrond. Als hij zegt "Ik heb een Higgs gevonden", is de kans dat het een fout is slechts 1 op de 100.
   • Onafhankelijkheid: Het mooie is: hij is niet "geobsedeerd" door het gewicht. Hij kijkt naar de echte kenmerken. Dit is cruciaal voor wetenschappers om betrouwbare metingen te doen.

4. De Kalibratie (De "Echte Wereld" Check):
   Computersimulaties zijn nooit 100% perfect. Om zeker te weten dat de detective in de echte data (van de echte botsingen) net zo goed werkt als in de simulatie, gebruikten de onderzoekers een slimme truc. Ze keken naar de "Lund Jet Plane".

   • Analogie: Stel je voor dat je een regenwolk bekijkt. Je kunt niet alleen naar de grootte van de wolk kijken, maar naar hoe de regendruppels precies vallen. De onderzoekers keken naar de patroon van de deeltjes binnenin de jet (de "regen") in de echte data en vergeleken dat met de simulatie. Als er een klein verschil was, pasten ze de "gewichtjes" van de detective aan. Zo werd de detective perfect afgesteld op de echte wereld.

Waarom is dit belangrijk?

Met deze nieuwe "PART"-detective kunnen wetenschappers nu voor het eerst heel goed zoeken naar de all-hadronische vervalling van Higgs-bosonparen (twee Higgs-bosons die tegelijk ontstaan en vervallen in W-bosonen). Dit is als het vinden van een naald in een hooiberg, maar dan met een magneet die precies weet hoe die naald eruit ziet.

Dit opent de deur voor nieuwe ontdekkingen:

• Het helpt ons de regels van het universum (het Standaardmodel) nog preciezer te testen.
• Het kan ons helpen nieuwe, vreemde deeltjes te vinden die we nog niet kennen (Nieuwe Fysica).

Kortom: De CMS-wetenschappers hebben een nieuwe, slimme "deeltjes-Transformator" gebouwd die als een meester-detective door de chaos van deeltjesbotsingen kan kijken en precies weet waar de zeldzame schatten verborgen zitten.

Technische samenvatting

Titel: Deeltjestransformators voor het identificeren van Lorentz-boosted Higgs-bosonen die vervallen in een paar W-bosonen

1. Het Probleem

Sinds de ontdekking van het Higgs-boson (H) is het nauwkeurig meten van zijn eigenschappen en het zoeken naar nieuwe fysica (BSM) een prioriteit voor de CMS- en ATLAS-associaties. Een grote uitdaging is het identificeren van hadronische eindtoestanden, vooral voor zeldzame vervallen zoals $H \to WW^* \to 4q$ (vier quarks).

• Achtergrondruis: Op een hadroncollider zoals de LHC wordt dit proces overschaduwd door een enorme achtergrond van QCD-multijet-evenementen en top-quark-paarproductie ($t\bar{t}$).
• Complexiteit: De $H \to WW^*$-vervaltopologie is asymmetrisch en complex (vaak 3 of 4 "prongs" of takken in de jet), wat het moeilijk maakt om te onderscheiden van top-quark-jets ($t \to Wb$) en QCD-jets.
• Kalibratie: Er ontbreekt een overvloedige, zuivere standaardmodel-proxy in data om deze specifieke jets te kalibreren, in tegenstelling tot bijvoorbeeld $H \to b\bar{b}$ (waarbij $Z \to b\bar{b}$ vaak als proxy wordt gebruikt).
• Bestaande methoden: Eerdere diepe-leermodellen (zoals DEEPAK8, PARTICLENET) waren voornamelijk geoptimaliseerd voor twee-pronged jets (zoals $H \to b\bar{b}$) en presteerden minder goed op de complexere, meerpronged $H \to WW^*$-topologieën.

2. Methodologie

De paper introduceert een nieuw deep-learning-algoritme genaamd PART (Particle Transformer), gebaseerd op een zelf-attentie (self-attention) architectuur.

• Architectuur (PART):
  • Het model behandelt de input (deeltjes en secundaire vertices) als een permutatie-invariante set van tokens.
  • Het gebruikt Particle Attention Blocks (PABs) die de relatieve belangrijkheid van verschillende deeltjes wegen en interacties tussen deeltjes en vertices modelleren via paar-voor-paar features (zoals $\Delta R$, $k_T$, $z$).
  • Na acht PABs worden Class Attention Blocks (CABs) gebruikt om een globale representatie van de jet te vormen via een "class token".
  • Het model voert een multiclasseclassificatie uit (37 klassen, inclusief $H \to WW$, $H \to b\bar{b}$, $t \to bW$, en QCD) en voert tegelijkertijd een massaregressie uit als hulptaken.
• Input Features:
  • Het model neemt tot 128 PF-candidates (Particle Flow candidates) en 10 secundaire vertices (SVs) per jet als input.
  • Features omvatten kinematische variabelen, lading, deeltjestype, en track-gerelateerde eigenschappen (zoals impact parameters).
• Trainingsstrategie voor Massade-correlatie:
  • Een kritiek aspect is dat de output van de tagger niet mag correleren met de jetmassa, zodat "sideband"-regio's kunnen worden gebruikt voor achtergrondschatting.
  • Om dit te bereiken, wordt de training uitgevoerd op een breed scala aan resonantiemassa's ($m_H$, $m_t$, $m_W$) in plaats van alleen op de standaardmodelwaarden. Dit voorkomt dat het model "leert" op specifieke massa's te vertrouwen.
  • Specifiek voor $H \to WW$ wordt de verhouding $m_W/m_H$ variabele gehouden om de drie verschillende kinematische fasen (off-shell/on-shell) te dekken.
• Kalibratie met het Lund Jet Plane (LJP):
  • Omdat er geen directe data-proxy is voor $H \to WW$, wordt een innovatieve kalibratiemethode gebruikt gebaseerd op de Lund Jet Plane.
  • De dichtheid van straling in de subjets van data wordt vergeleken met simulatie. Deze verhoudingen worden gebruikt om gewichten af te leiden om de simulatie te corrigeren naar de data.
  • De kalibratie wordt gevalideerd op geboostede top-quark-jets ($t \to Wb$), die een vergelijkbare substructuur hebben.

3. Belangrijkste Bijdragen

• Eerste identificatie van $H \to WW^*$: Dit is de eerste keer dat de CMS-associatie een effectieve tagger presenteert voor volledig hadronische $H \to WW^* \to 4q$ vervallen in boostede regio's.
• Superieure Architectuur: PART presteert significant beter dan de vorige state-of-the-art (DEEPAK8-MD), met name door het gebruik van transformer-architecturen die beter omgaan met de heterogeniteit en permutatie-invariantie van jets.
• Nieuwe Kalibratietechniek: De toepassing van de Lund Jet Plane voor het kalibreren van signaalefficiëntie op een proces zonder directe data-proxy is een methodologische doorbraak.
• Toepassing op HH-productie: De techniek wordt direct toegepast op de eerste zoektocht naar Higgs-bosonparen (HH) in de volledig hadronische $bbWW$-kanaal.

4. Resultaten

• Prestaties (Efficiëntie vs. Achtergrond):
  • PART bereikt een tagging-efficiëntie van meer dan 50% voor $H \to WW^*$ jets bij een QCD-achtergrondefficiëntie van 1%.
  • Vergelijking met DEEPAK8-MD: PART toont tot 10 keer betere onderdrukking van QCD-jets en tot 8 keer betere onderdrukking van top-quark-jets bij dezelfde signaalefficiëntie.
• Massade-correlatie:
  • De output van PART is sterk gedecorreleerd met de jetmassa ($m_{SD}$). De Jensen-Shannon-afstand (JSD) tussen de massadistributies met en zonder selectie is lager dan die van DEEPAK8-MD, wat aangeeft dat de achtergrondschatting robuuster is.
• Kalibratie in Data:
  • De kalibratie werd uitgevoerd op proton-proton data bij $\sqrt{s} = 13$ TeV (138 fb$^{-1}$).
  • De data-tot-simulatie schalingsfactoren (SF) liggen in het bereik 0,9 – 1,0.
  • De relatieve onzekerheid op deze factoren varieert tussen 7% en 23%, waarbij de dominantie van de onzekerheid in het aantal "prongs" binnen de jet ligt.
• Validatie:
  • De LJP-calibratie verbetert de overeenkomst tussen data en simulatie voor top-quark-jets aanzienlijk (de $\chi^2$-waarde daalt van 20,7 naar 16,6).

5. Betekenis en Impact

• Verbeterde Sensitiviteit: De introductie van PART verhoogt de gevoeligheid van standaardmodelmetingen en zoektochten naar nieuwe fysica aanzienlijk.
• HH-productie: De techniek is cruciaal voor de eerste zoektocht naar niet-resonante productie van Higgs-bosonparen (HH) in het $bbWW$-kanaal. Dit kanaal heeft het grootste vertakkingsverhouding na $bbbb$ en is essentieel voor het meten van de quartische koppeling ($HHVV$) tussen Higgs- en vectorbosonen.
• BSM Zoektochten: De methode maakt het mogelijk om te zoeken naar zware Higgs-bosonen, twee-Higgs-dubbelletmodellen en andere BSM-resonanties die vervallen in boostede vectorbosonparen.
• Toekomstige Richting: De succesvolle toepassing van de LJP-calibratie op complexe, meerpronged jets opent de deur voor verdere verbeteringen in jet-substructuur-analyses bij de LHC.

Kortom, dit paper markeert een belangrijke stap voorwaarts in het gebruik van geavanceerde deep learning (Transformers) voor de identificatie van complexe hadronische vervallen, met directe toepassing op een van de meest uitdagende metingen in de Higgs-fysica.