⚛️ high-energy experiments

Simultaneous efficiency measurements of $b$ - and $c$ -jets in $t\bar{t}$ events from $\sqrt{s}=13.6$ TeV $pp$ collision data collected with the ATLAS detector

Dit artikel presenteert gelijktijdige metingen van de $b$ -jet identificatie-efficiëntie en de $c$ -jet misidentificatie-efficiëntie voor de GN2-tagger met behulp van 56 fb $^{-1}$ aan $\sqrt{s}=13,6$ TeV ATLAS $t\bar{t}$ -data, waarbij precisies van respectievelijk beter dan 2% en 5% worden bereikt door gebruik te maken van bekende vertakkingsfracties en kinematische waarschijnlijkheidsreconstructie.

Oorspronkelijke auteurs: ATLAS Collaboration

Gepubliceerd 2026-07-08

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: ATLAS Collaboration

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je de Large Hadron Collider (LHC) voor als de krachtigste deeltjesvergruiser ter wereld. Wanneer hij protonen op elkaar afvuurt, exploderen ze in een wolk van kleinere deeltjes, waarvan er veel samenklonteren om "jets" te vormen. Sommige van deze jets komen van zware, kortlevende deeltjes genaamd bottom-quarks (b-jets), terwijl andere komen van iets lichtere charm-quarks (c-jets).

Het ATLAS-experiment bij CERN is als een gigantische, ultra-gevoelige camera die probeert een foto te maken van deze explosies. Maar er is een probleem: de software van de camera (de "tagger") is niet perfect. Soms ziet hij een charm-jet en denkt hij ten onrechte: "Ah, dat is een bottom-jet!" Dit wordt een "mistag" genoemd.

Dit artikel is in essentie een kwaliteitscontroleverslag voor die camerasoftware. Het team wilde weten:

Hoe goed is de software in het correct opsporen van een bottom-jet?
Hoe vaak beschuldigt hij een charm-jet onterecht van het zijn van een bottom-jet?

Ze gebruikten een specif kind soort deeltjesbotsing genaamd een top-quark paar evenement ( $t\bar{t}$ ) als hun "testlaboratorium". Denk aan een top-quark als een zeer onstabiele ouder die bijna altijd uiteenvalt in een bottom-quark en een W-boson. Het W-boson valt vervolgens weer uiteen.

In sommige gevallen valt het W-boson uiteen in een lepton (zoals een elektron of muon) en een neutrino. Dit is de "schone" kant van het evenement.
In andere gevallen valt het W-boson uiteen in twee quarks (een charm en een strange quark). Dit is de "rommelige" kant.

De Analogie van de Detective
Stel je voor dat je een detective bent die een verdachte (de bottom-jet) probeert te identificeren in een menigte.

De "Schone" Kant: Je weet zeker dat er één persoon in de menigte de verdachte moet zijn, omdat deze van een specifieke, betrouwbare bron komt (de leptonisch vervallende top-quark). Je controleert de software van de camera tegen deze bekende verdachte om te zien hoe goed hij hen identificeert. Dit meet de efficiëntie (hoe vaak het goed wordt gedaan).
De "Rommelige" Kant: Aan de andere kant van de kamer weet je dat er een groep mensen is die absoluut niet de verdachte is, maar die er een beetje hetzelfde uitzien. Specifiek weet je dat het W-boson aan deze kant in ongeveer 33% van de gevallen een charm-quark produceert. Je gebruikt deze bekende groep om te zien hoe vaak de software van de camera in de war raakt en zegt: "Dat is de verdachte!", terwijl het eigenlijk een charm-quark is. Dit meet de mistagging rate.

Wat Ze Hebben Gedaan
De onderzoekers gebruikten data uit 2022 en 2023, wat staat voor 56 "inverse femtobarns" aan botsingen (een chique manier om te zeggen: een enorme hoeveelheid data). Ze gebruikten een nieuwe, geavanceerde AI-tool genaamd GN2 (een "single-transformer" neuraal netwerk) om de tagging te doen.

Ze hebben niet alleen gegokt; ze hebben een wiskundig model gebouwd om gelijktijdig twee dingen tegelijk op te lossen:

Hoe vaak de AI de echte bottom-jets correct opspoort.
Hoe vaak de AI charm-jets onterecht als bottom-jets opspoort.

Ze vergeleken hun echte data met computer-simulaties. Omdat computer-simulaties niet perfect zijn, berekenden ze "Scale Factors" (SF's). Denk aan deze als correctiecoëfficiënten. Als de computersimulatie zegt dat de AI 90% accuraat is, maar de echte data laat zien dat hij eigenlijk 95% accuraat is, dan is de schaalfactor 1,05. Wetenschappers passen deze factor toe op toekomstige simulaties om ze overeen te laten komen met de werkelijkheid.

De Resultaten

Precisie: Ze maten de efficiëntie van het opsporen van bottom-jets met een precisie van beter dan 2% in de meeste gevallen. Voor het opsporen van charm-jets (mistags) was de precisie beter dan 5%.
Consistentie: Ze controleerden hun resultaten tegen een andere methode (gebruikmakend van evenementen waarbij beide top-quarks vervallen in leptonen) en stelden vast dat de getallen perfect overeenkwamen. Dit geeft hen een hoog vertrouwen dat hun metingen correct zijn.
Het "GN2" Voordeel: Het artikel merkt op dat deze nieuwe AI-tagger beter is in het onderscheiden van charm-jets van bottom-jets dan oudere tools, wat het meten van deze "mistags" moeilijker maar waardevoller maakt.

In Samenvatting
Dit artikel ontdekt geen nieuw deeltje of een nieuwe natuurkracht. In plaats daarvan biedt het een kalibratiehandleiding voor de software van het ATLAS-experiment. Door nauwkeurig te meten hoe vaak de software charm-jets verwart met bottom-jets, en hoe vaak hij bottom-jets correct vindt, zorgt het team ervoor dat elke toekomstige experiment die deze data gebruikt, gebouwd is op een solide, nauwkeurige fundering. Het is het verschil tussen een wazige foto en een scherpe, high-definition afbeelding van de subatomaire wereld.

Technische Samenvatting: Gelijktijdige metingen van de efficiëntie van $b$ - en $c$ -jets in $t\bar{t}$ -gebeurtenissen uit $\sqrt{s}=13,6$ TeV $pp$-botsingsdata

Probleem en Motivatie
Bij analyses aan de Large Hadron Collider (LHC) is het identificeren van jets die afkomstig zijn van bottom ( $b$ ) of charm ( $c$ ) quarks cruciaal voor studies variërend van Higgsboson-verval tot top-quark parenproductie. Hoewel Monte Carlo (MC) simulaties schattingen geven van de tagging-efficiënties, zijn deze imperfect. Daarom zijn datagedreven schaalfactoren (SFs)—de ratio van de efficiëntie in data ten opzichte van die in simulatie—vereist om de simulatiegewichten te corrigeren. Eerdere ATLAS-metingen van $b$ -jet SFs maakten gebruik van dileptonische $t\bar{t}$ -gebeurtenissen, terwijl $c$ -jet mistagging SFs werden gemeten met semileptonische $t\bar{t}$ -gebeurtenissen. Deze werden echter vaak als afzonderlijke metingen behandeld. Dit artikel behandelt de noodzaak voor een gelijktijdige meting van $b$ -jet tagging en $c$ -jet mistagging efficiënties met behulp van de nieuwste GN2 tagger, een single-transformer-gebaseerd graph neural network, om de precisie en consistentie van de flavor tagging-kalibratie voor Run 3-data te verbeteren.

Methodologie
De analyse maakt gebruik van 56 fb $^{-1}$ aan proton-proton botsingsdata verzameld door de ATLAS-detector bij een centrum-van-massa energie van $\sqrt{s}=13,6$ TeV tijdens 2022 en 2023. De gebeurtenisselectie richt zich op semileptonische $t\bar{t}$ -gebeurtenissen, gekenmerkt door precies één geïsoleerd elektron of muon, ontbrekende transversale momentum en specifieke jet-multipliciteitsvereisten (typisch 3–4 jets, met ruimte voor hogere multipliciteiten onder specifieke kinematische condities).

Een kinematische waarschijnlijkheidstechniek wordt toegepast om de $t\bar{t}$ -verfalltopologie te reconstrueren, waarbij gereconstrueerde jets worden toegewezen aan de vervalproducten van de top-quarks en $W$ -bosonen zonder te vertrouwen op vooraf bestaande $b$ -tagging informatie. Dit maakt de identificatie mogelijk van:

Leptonische top-jet: De $b$ -jet van de top-quark die leptonisch vervalt ( $t \to W b \to \ell \nu b$ ).
Hadronische top-jet: De $b$ -jet van de top-quark die hadronisch vervalt.
$W$ -jets: De twee jets die voortkomen uit het hadronische verval van het $W$ -boson ( $W \to q\bar{q}'$ ), die voornamelijk $c$ -quarks (branching fraction $\approx 33\%$ ) en light-flavor quarks bevatten.

De analyse maakt gebruik van een simultane fit om de SFs voor $b$ -jets ( $b_t(i)$ ) en $c$ -jets ( $c_t(i)$ ) te bepalen als functie van de jet transversale momentum ( $p_T$ ) over zes GN2 tagging-intervallen (variërend van 0–65% tot 90–100% efficiëntie in simulatie).

$b$ -jet SFs: Worden beperkt door het vergelijken van het fractie van leptonische top-jets die in elk GN2-interval vallen tegenover MC-verwachtingen. Light-flavor jet achtergronden in dit kanaal worden genormaliseerd met behulp van de invariante massa van het lepton en de leptonische top-jet ( $m_{j\ell}$ ).
$c$ -jet SFs: Worden beperkt door het analyseren van de GN2 discriminant van de getagde $W$ -jets in gebeurtenissen waar de andere $W$ -jet niet getagd is en beide top-jets strak getagd zijn. De bekende $W \to c\bar{s}$ branching fraction maakt de extractie van $c$ -jet mistagging rates mogelijk.
Gecombineerde Fit: Een totale $\chi^2$ minimalisatie combineert de semileptonische metingen met een onafhankelijke $b$ -jet SF meting uit dileptonische $t\bar{t}$ -gebeurtenissen (met behulp van een prior) om de $b$ -jet efficiënties verder te beperken.

Systematische onzekerheden worden geëvalueerd door MC-modelleringparameters te variëren (parton shower, hadronisatie, ISR/FSR), jet energie schaal/resolutie, en achtergrond normalisaties. De grootste onzekerheden komen voort uit $t\bar{t}$ modellering (specifiek de keuze van het parton shower/hadronisatie model) en jet reconstructie.

Belangrijkste Resultaten

$b$ -jet Tagging Efficiëntie: De gemeten SFs vertonen geen sterke afhankelijkheid van jet $p_T$ in het bereik 20–250 GeV. Voor het strakste tagging-interval (0–65%) bereikt de totale onzekerheid een waarde van beter dan 2% voor jets met $p_T > 60$ GeV. De resultaten zijn consistent met onafhankelijke metingen uit dileptonische $t\bar{t}$ -gebeurtenissen.
$c$ -jet Mistagging Efficiëntie: Verschillende metingen in de vier losste tagging-intervallen bereiken een precisie van beter dan 5%. De SFs vertonen over het algemeen geen sterke $p_T$ -afhankelijkheid, hoewel het strakste interval (0–65%) een hogere efficiëntie in data vertoont dan in de MC-simulatie.
Gelijktijdige Bepaling: De fit extraheert succesvol zowel $b$ -jet als $c$ -jet SFs gelijktijdig, waarbij de statistische correlatie tussen de twee klein is vergeleken met systematische correlaties. De normalisatiefactoren voor light-flavor achtergronden en signaalopbrengsten zijn consistent met de verwachtingen bevonden.

Significantie en Claims
Het artikel claimt de eerste te zijn die simultane metingen rapporteert van $b$ -jet tagging en $c$ -jet mistagging SFs met behulp van $t\bar{t}$ semileptonische gebeurtenissen. Deze aanpak maakt gebruik van de specifieke vervaltopologie van $t\bar{t}$ -gebeurtenissen om beide efficiënties binnen een enkel kader te beperken, gebruikmakend van de GN2 tagger die een verbeterde prestatie biedt ten opzichte van eerdere algoritmen. De resultaten leveren essentiële kalibratie-inputs voor ATLAS-analyses die precieze flavor tagging vereisen, in het bijzonder die betrokken bij $b$ - en $c$ -quark identificatie in het high-luminosity Run 3 tijdperk. Het artikel merkt bescheiden op dat hoewel de metingen precies zijn, de onzekerheden gedomineerd worden door systematische effecten gerelateerd aan MC-modellering, met name de parton shower en hadronisatie modellen.

Meer zoals dit