Novel Machine Learning Methods to Improve Z Pole Integrated Luminosity at Future Colliders

Dit artikel presenteert nieuwe machine learning-methoden, namelijk een Gradient Boosted Decision Tree en een nieuw Adaptief Symbolisch Memetisch Regressie-algoritme, om dominante achtergronden en straalafbuigingsbias in Small Angle Bhabha-verstrooiing en diphoton-kanalen te mitigeren, waardoor toekomstige $e^+e^-$-colliders in staat worden gesteld de strikte geïntegreerde lichtsterkteprecisie van $\delta L/L < 10^{-4}$ te bereiken die vereist is bij de Z-pool.

De kern

Stel je een toekomstige deeltjesversneller voor als een enorme, ultra-precieze fabriek. Haar taak is het op elkaar afvuren van elektronen en positronen om het "Z-boson" te bestuderen, een fundamenteel deeltje dat fungeert als een liniaal voor de wetten van het heelal. Om een perfecte meting met deze liniaal te krijgen, moet de fabriek precies tellen hoeveel botsingen er plaatsvinden. Deze telling heet geïntegreerde luminositeit.

Het artikel betoogt dat de fabriek voor een werkelijk perfecte meting nauwkeurig moet zijn tot op één op tienduizend. De huidige hulpmiddelen die deze botsingen tellen, hebben een paar "bugs" die de telling iets wazig maken. De auteur, Brendon Madison, gebruikt twee nieuwe soorten "slimme software" (Machine Learning) om deze bugs te verhelpen.

Hieronder volgt een uiteenzetting van de twee hoofdproblemen en de oplossingen, uitgelegd met alledaagse analogieën:

1. Het "Valse Foton"-probleem (Het identificeren van de juiste deeltjes)

Het Probleem:
Om de botsingen te tellen, zoeken de detectoren naar specifieke gebeurtenissen. Eén methode kijkt naar "Small-Angle Bhabha Scattering" (SABS), wat vergelijkbaar is met het zien van twee biljartballen die onder een zeer flauwe hoek van elkaar afkaatsen. Een andere methode zoekt naar "Diphoton"-gebeurtenissen, wat lijkt op het zien van twee flitsen licht.

De detectoren raken echter soms in de war.

• De Verwarring: Soms sluist een neutraal hadron (een type zwaar, onzichtbaar deeltje) zich in en ziet er precies uit als een flits licht (een foton). Het is alsof een persoon met een perfecte vermomming een kamer binnenloopt vol fotografen; de camera's kunnen niet zien dat het geen echte ster is.
• De Oude Oplossing: Het huidige detectorontwerp (ILG) is als een standaard beveiligingscamera. Het is goed, maar laat nog steeds enkele van deze "vermomden" door, wat de telling verstoort.
• De Nieuwe Oplossing: De auteur testte een opgegradede detector (GLIP) die als een high-definition, 3D-scanner werkt. Ze gebruikten een slim algoritme genaamd BDTG (een soort beslisboom die een reeks "ja/nee"-vragen stelt) om de deeltjes te sorteren.
  • Het Resultaat: De oude camera (ILD) worstelt nog steeds met het onderscheid tussen het echte licht en de vermomden. Maar de nieuwe 3D-scanner (GLIP) is zo scherp dat hij de vermomden kan opsporen en eruit kan gooien. Dit vermindert de fout aanzienlijk, maar alleen als de detector eerst wordt opgegradede.

2. Het "Magnetische Wind"-probleem (Afbuiging van de bundel)

Het Probleem:
Wanneer de elektronen- en positronenbundels op elkaar botsen, kaatsen ze niet alleen af; ze creëren een klein, onzichtbaar "windje" van elektromagnetische kracht. Deze wind duwt de deeltjes iets van hun beoogde pad, net als een sterke windvlaag die een vlieger zijwaarts blaast.

• De Oude Manier: Vroeger probeerden wetenschappers dit op te lossen door de gemiddelde windsnelheid voor de hele fabriek te berekenen en één grote correctie toe te passen. Het is alsof je een wiebelende tafel probeert te repareren door de gemiddelde hoogte van de vloer te raden en alle poten evenveel op te hogen. Het helpt, maar is niet perfect, omdat elke individuele "vlieger" (botsing) anders wordt weggeduwd.
• De Nieuwe Manier: De auteur gebruikte twee nieuwe AI-tools om dit per gebeurtenis op te lossen.
  1. BDTG: Een standaard slim algoritme.
  2. ASMR: Een gloednieuw, op maat gemaakt algoritme dat werkt als een detective die probeert een wiskundige formule (een "symbolische" oplossing) te vinden, in plaats van alleen maar te raden. Het is alsof een detective niet alleen zegt "de wind was sterk", maar de exacte natuurkundige vergelijking opstelt die de wind voor dat specifieke moment beschrijft.

Het Resultaat:
De nieuwe "detective" (ASMR) was veel beter dan het standaard slimme algoritme. Het kon precies voorspellen hoeveel elk individueel deeltje door de wind werd weggeduwd.

• De Verbetering: De oude methode liet een "wazigheid" (onzekerheid) van ongeveer 80 op een miljoen achter. De nieuwe ASMR-methode bracht dit terug tot slechts 5 op een miljoen. Het is alsof je overgaat van het meten van de hoogte van een tafel met een liniaal naar het meten met een laser.

De Conclusie

Het artikel concludeert dat voor de ultra-precieze metingen die nodig zijn voor toekomstige fysica:

1. Hardware-upgrade is verplicht: Je kunt het "valse foton"-probleem niet alleen met software oplossen; je hebt fysiek de opgegradede, hooggedetailleerde detector (GLIP) nodig om het verschil te zien.
2. Slimme software is een gamechanger: Het gebruik van de nieuwe AI (ASMR) om de "magnetische wind" per geval te corrigeren, maakt de meting veel scherper dan de oude "gemiddelde" methode.

Door de opgegradede hardware te combineren met deze nieuwe AI-tools, kan de fabriek eindelijk zijn botsingen tellen met de extreme precisie die nodig is om nieuwe geheimen van het heelal te ontsluiten. Zonder deze stappen blijven de metingen te "wazig" om bruikbaar te zijn voor de meest geavanceerde fysica-experimenten.

Technische samenvatting

Technische Samenvatting: Nieuwe Machine Learning-methoden om de Geïntegreerde Luminositeit bij de Z-pool te Verbeteren bij Toekomstige Colliders

Probleemstelling
Toekomstige $e^+e^-$-colliders die opereren bij de Z-pool vereisen een meetnauwkeurigheid voor de geïntegreerde luminositeit van $\delta L/L < 10^{-4}$ om hoge-nauwkeurigheid elektroweak-observabelen mogelijk te maken. Deze studie richt zich op het ontwerp van de International Large Detector (ILD), potentieel met een upgrade naar een Granular Long Instrument for Precision (GLIP), en overweegt scenario's voor lineaire colliders met specifieke bundelpolarisaties. Twee dominante bronnen van onzekerheid belemmeren deze nauwkeurigheid:

1. Eventidentificatie en Achtergronden: Specifiek de vervuiling van het diphotonkanaal ($\gamma\gamma$) door Small-Angle Bhabha-verstrooiing (SABS) en neutrale hadronen met lage invariantmassa.
2. Bias door Bundelafbuiging: De elektromagnetische afbuiging van uitgaande $e^+e^-$-paren door de bundelvelden, wat de meting van de polaire hoek en bijgevolg de berekening van de luminositeit beïnvloedt als dit niet per event wordt gecorrigeerd.

Methodologie
De studie maakt gebruik van twee machine learning-algoritmen om deze onzekerheden aan te pakken:

• Gradient Boosted Decision Tree (BDTG): Met gebruikmaking van de ROOT TMVA-bibliotheek, getraind op kinematische, ruimtelijke en clusterobservabelen uit de voorwaartse calorimeter en de tracker.
• Adaptive Symbolic Memetic Regression (ASMR): Een nieuw ontwikkeld algoritme voor deze studie. In tegenstelling tot BDTG is ASMR een symbolische memetische regressiemethode die analytische oplossingen kan leren. Het maakt gebruik van een globale evolutionaire strategie gecombineerd met lokale optimalisatie (bijv. Minuit) en adaptieve data-partitionering.

De analyse omvat:

• Achtergrondsuggestie: Gebruik van WHIZARD voor eventgeneratie en Pythia voor partonkinematica, met aangepaste GEANT4-code toegevoegd om hadronisatie met lage invariantmassa te behandelen (specifiek radiatieve hadronen $e^+e^- \to q\bar{q}\gamma$).
• Classificatie van Deeltjesidentiteit: Het trainen van classifiers om fotonen, elektronen, positronen en neutrale hadronen te onderscheiden.
• Regressie voor Bundelafbuiging: Het trainen van modellen op gereconstrueerde energieën en polaire hoeken $(E_+, E_-, \theta_+, \theta_-)$ om de afbuiging van de elektronen-polaire hoek te voorspellen. De waarheidswaarde (ground truth) is afgeleid van het niveau van de eventgenerator (BHWIDE) voordat de simulatie van bundelafbuiging (GUINEA-PIG) plaatsvond.
• Benchmarking: Beide algoritmen werden eerst getest op de Weierstrass-Mandelbrot (W-M) fractale functie om de schaling van de Mean Absolute Error (MAE) te evalueren.

Belangrijkste Bijdragen en Resultaten

1. Achtergrondanalyse en Deeltjesidentificatie:

   • De studie identificeert SABS en neutrale hadronen met lage invariantmassa (van radiatieve hadronen) als de primaire achtergronden voor het diphotonkanaal.
   • Classificatieprestaties: Zowel het bestaande ILD LumiCal als het opgewaardeerde GLIP LumiCal-ontwerp neutralen hadronen effectief af te wijzen. Echter, alleen de GLIP LumiCal-upgrade bereikt voldoende afwijzing van SABS om te voldoen aan de eis van $\delta L/L < 10^{-4}$.
   • Impact op Nauwkeurigheid: Voor de ILD LumiCal blijft de dominante onzekerheid het verkeerd identificeren van Bhabha-events als diphotons ($35 \times 10^{-4}$). Voor de GLIP LumiCal wordt de SABS-vervuiling gereduceerd tot $\approx 1 \times 10^{-6}$, waardoor vervuiling door neutrale hadronen het leidende resterende effect wordt ($6 \times 10^{-6}$).

2. Correctie voor Bundelafbuiging:

   • Traditionele correcties modelleren de gemiddelde afbuiging, wat resulteert in een bijdrage aan de luminositeitsonzekerheid van $\approx 8 \times 10^{-5}$.
   • Voorspelling per Event: Zowel BDTG als ASMR werden getraind om afbuiging per event te voorspellen.
   • Superioriteit van ASMR: ASMR presteerde beter dan BDTG in ruwe MAE en schaling met het aantal parameters. Het slaagde erin $\frac{\theta_- - \theta_+}{2}$ te identificeren als een voorspeller op eerste orde voor afbuiging.
   • Winst in Nauwkeurigheid: Het ASMR-algoritme bereikte een resterende onzekerheid door afbuiging ($\sigma_{def}$) van $\approx 50$ $\mu$rad, waardoor het effect van bundelafbuiging op de geïntegreerde luminositeit wordt gereduceerd tot $5 \times 10^{-6}$. Dit is aanzienlijk nauwkeuriger dan de methode gebaseerd op gemiddelden.

3. Bijgewerkt Onzekerheidsbudget:

   • Het combineren van het GLIP LumiCal-ontwerp met de op ASMR gebaseerde correctie voor bundelafbuiging levert een totale onzekerheid voor de geïntegreerde luminositeit voor het diphotonkanaal op van $5.7 \times 10^{-4}$ (gedomineerd door statistiek en hoekoplossing), met de bijdrage van bundelafbuiging gereduceerd tot verwaarloosbare niveaus in vergelijking met andere factoren.
   • De gecombineerde meting van SABS en diphotons maakt kruisverificatie van modellen mogelijk, wat potentieel beter presteert dan individuele metingen.

Betekenis en Beweringen
Het artikel beweert dat de combinatie van een upgrade naar een calorimeter met hoge granulariteit (GLIP) en nieuwe machine learning-technieken (specifiek ASMR) een haalbare weg biedt om onzekerheden in de geïntegreerde luminositeit te verminderen.

• Detectorontwerp: De resultaten motiveren sterk de upgrade naar een LumiCal met hoge granulariteit (GLIP) om vervuiling door SABS in diphotonmetingen effectief af te wijzen.
• Algoritmisch Voordeel: De correctie voor bundelafbuiging per event met behulp van ASMR blijkt nauwkeuriger te zijn dan traditionele modellering op basis van gemiddelden, waardoor de bijbehorende onzekerheid met een orde van grootte wordt gereduceerd.
• Beperkingen en Vooruitzicht: De auteurs blijven bescheiden wat betreft het uiteindelijke doel. Zij merken op dat hoekoplossing en de precisie van bundelpolarisatie nog steeds dominante, openstaande onzekerheden zijn die niet in dit werk worden aangepakt. Bijgevolg is het momenteel onbekend of toekomstige colliders de drempel van $1 \times 10^{-4}$ kunnen overschrijden zonder verdere verbeteringen op deze gebieden. Het artikel concludeert dat financiering voor verdere ontwikkeling van LumiCal en precisiestudies essentieel is om de geplande elektroweak-metingen bij de Z-pool te realiseren.