⚛️ high-energy experiments

Decorrelation of neural networks from particle lifetimes in the LHCb topological $b$ trigger

Dit artikel introduceert en evalueert twee methoden om neurale netwerkscores te decorreleren van $b$ -hadron-levensduur in de LHCb topologische trigger, waarbij de bias veroorzaakt door verkeerd geassocieerde vervalproducten in omgevingen met een hoge pileup wordt aangepakt om een onbevooroordeelde eventselectie voor natuurkundige analyses te waarborgen.

Oorspronkelijke auteurs: Johannes Albrecht, Alessandro Bertolin, James Connaughton, Jonathan Davies, Blaise Delaney, Agnieszka Dziurda, Conor Fitzpatrick, Maciej Giza, Vava V. Gligorov, James A. Gooding, Nicole Schulte, Nicol

Gepubliceerd 2026-07-27

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Johannes Albrecht, Alessandro Bertolin, James Connaughton, Jonathan Davies, Blaise Delaney, Agnieszka Dziurda, Conor Fitzpatrick, Maciej Giza, Vava V. Gligorov, James A. Gooding, Nicole Schulte, Nicole Skidmore, Mika Vesterinen, Mike Williams, Shunan Zhang, Valeriia Zhovkovska

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 een gigantische, razendsnelle camera voor die probeert een foto te maken van een vuurwerkexplosie in een vol stadion. De camera is zo snel dat hij het fractie van een seconde kan bevriezen wanneer het vuurwerk ontploft, maar het stadion is zo vol dat er op exact hetzelfde moment duizenden andere vuurwerkexplosies plaatsvinden. Dit is de uitdaging waar het LHCb-experiment bij de Large Hadron Collider voor staat. Wetenschappers gebruiken deze machine om "beauty"-deeltjes (of b-hadrons) te bestuderen, dit zijn zware, instabiele deeltjes die vervallen, of uit elkaar vallen, zeer snel. Om hen te vinden, fungeert het computersysteem als een supersnelle uitsmijter bij een club, die miljoenen botsingen per seconde scant om te beslissen welke interessant genoeg zijn om later te bewaren.

Het probleem is dat deze beauty-deeltjes een specifieke "persoonlijkheid" hebben: ze leggen een kleine maar meetbare afstand af voordat ze uit elkaar vallen, wat een duidelijk patroon van puin creëert. De computer gebruikt een slim algoritme, een type kunstmatige intelligentie genaamd een neuraal netwerk, om dit patroon te herkennen. Echter, in de huidige, drukkere versie van het experiment is het stadion zo druk dat de uitsmijter soms in de war raakt. Hij kan per ongeluk puin van één vuurwerkwerk met dat van een buurman mengen, waardoor er een nep patroon ontstaat dat lijkt op een langlevend beauty-deeltje. Als de computer te goed wordt in het herkennen van deze nepfaken, kan het zijn dat hij de echte, langlevende vuurwerken die hij juist moet vinden, begint te negeren, wat de wetenschap verpest. Dit artikel onderzoekt hoe we de computer kunnen leren deze fout niet te maken zonder het vermogen te verliezen om de echte vuurwerken te vinden.

De Drukke Uitsmijter en de Valse Aanwijzingen

Het LHCb-experiment is ontworpen om zware deeltjes te bestuderen die een "beauty"-quark bevatten. Deze deeltjes zijn speciaal omdat ze net lang genoeg leven om ongeveer een centimeter af te leggen voordat ze vervallen. Dit creëert een unieke handtekening: een "secundaire vertex", of een tweede ontmoetingspunt voor de deeltjes, dat iets gescheiden is van de plek waar ze zijn geboren. Om deze gebeurtenissen te vangen, gebruikt het LHCb-trigger-systeem een machine learning-tool genaamd een monotoon Lipschitz neuraal netwerk (MLNN). Zie dit neurale netwerk als een hoogopgeleide detective die naar de aanwijzingen kijkt (zoals hoe ver de deeltjes reisden en hoe snel ze bewogen) en elke gebeurtenis een score geeft. Als de score hoog genoeg is, wordt de gebeurtenis bewaard.

De detective is getraind om "monotoon" te zijn, wat betekent dat als een deeltje verder reist of meer momentum heeft, de score omhoog moet gaan. Dit is logisch, omdat echte beauty-deeltjes meestal verder reizen dan de achtergrondruis. Echter, het experiment werd onlangs veel drukker. In het verleden was er ongeveer één botsing per moment (µ = 1,1), maar nu zijn er ongeveer 5,3 botsingen die tegelijkertijd plaatsvinden (µ = 5,3). Dit is alsof de uitsmijter probeert te sorteren door vijf verschillende feestjes die tegelijkertijd in dezelfde kamer plaatsvinden.

Vanwege deze drukte raakt de detective soms in de war. Hij kan een spoor van één botsing nemen en een spoor van een andere botsing, deze combineren, en zo een "samengesteld" deeltje creëren dat lijkt alsof het een zeer lange afstand heeft afgelegd. Dit is een "lifetime-correlated background". Het is een valse aanwijzing die precies lijkt op de langlevende beauty-deeltjes die de wetenschappers willen bestuderen. Het gevaar is dat het neurale netwerk, door deze langdurige sporen te zien, kan leren wantrouwig te zijn tegenover alle langdurige sporen. Het zou kunnen beginnen met het straffen van echte, langlevende beauty-deeltjes, simpelweg omdat ze een beetje op de neppe lijken. Dit zou een bias creëren, waardoor het experiment minder gevoelig wordt voor de deeltjes die het juist moet bestuderen.

De Detective Leren de Menigte te Negeren

Om dit op te lossen, probeerden de auteurs van het artikel het neurale netwerk te "decorreleren". In gewone taal wilden ze de AI leren dat zijn score niet afhankelijk moet zijn van hoe lang het deeltje leefde, vooral niet voor de langlevende deeltjes. Ze testten twee verschillende methoden om een "straf" toe te voegen aan het trainingsproces van de AI als het te veel aandacht zou besteden aan de levensduur.

De eerste methode heette DisCo (Distance Correlation). Stel je dit voor als een strenge leraar die de student uitscheldt elke keer dat hun cijfer verandert op basis van hun lengte. Als de AI een hogere score geeft aan een langlevend deeltje, treedt de straf in werking om te zeggen: "Nee, de score mag niet veranderen alleen omdat de levensduur veranderde."

De tweede methode heette MoDe (Moment Decomposition). Dit is meer als een flexibele coach. In plaats van alleen maar te schreeuwen, breekt de coach de prestaties van de student af in verschillende vormen (wiskundige curven) en straft alleen de delen die er niet zouden moeten zijn. Het staat de AI toe om een scherpe "inschakeling" te hebben aan het begin (om overduidelijk afval af te wijzen), maar dwingt het om vlak en consistent te blijven voor de langlevende deeltjes.

De Resultaten: Een Vlakker, Eerlijker Score

Het team trainde hun AI-modellen met behulp van deze twee methoden en testte ze op gesimuleerde data, waarbij ze specifiek keken naar hoe goed ze echte beauty-deeltjes konden vinden zoals $B^+ \to J/\psi(\mu^+\mu^-)K^+$ en $B^0 \to D^-(K^+\pi^-\pi^-)\pi^+$ .

Ze ontdekten dat beide methoden hielpen, maar dat ze op verschillende manieren werkten. De DisCo-methode maakte de AI minder kieskeurig over intermediaire levensduur, wat de score vlak hield voor lange levensduur, maar het verlaagde de algehele efficiëntie een beetje. De MoDe-methode was echter de ster van de show. Het slaagde erin om de efficiëntie hoog te houden voor deeltjes met intermediaire levensduur, terwijl het tegelijkertijd de score vlak hield voor de langlevende deeltjes.

Toen ze naar de data keken voor deeltjes met levensduur groter dan 4 picoseconden (een picoseconde is één biljoenste seconde), was het verschil duidelijk. Zonder hulp daalde de efficiëntie van de AI scherp naarmate de levensduur toenam, met een helling van ongeveer -24,9. De DisCo-methode verbeterde dit naar -12,9, maar de MoDe-methode met een strafsterkte van $\lambda = 0,2$ bracht de helling terug naar bijna nul (-6,6 voor 3-body kandidaten). Dit betekent dat de AI niet langer discrimineert tegen de langlevende deeltjes die het juist moet vinden.

Conclusie

Het artikel concludeert dat de drukke omstandigheden van de Run 3 van de LHC een nieuw soort achtergrondruis hebben gecreëerd die het triggersysteem in de war brengt. Door de MoDe-benadering te gebruiken om het neurale netwerk te decorreleren van de levensduur van deeltjes, kan het LHCb-experiment ervoor zorgen dat zijn "uitsmijter" eerlijk blijft. Het zal blijven doorlaten dat de echte, langlevende beauty-deeltjes binnenkomen zonder in de val te lopen van de neppe, gemengde sporen uit de drukke menigte. Dit zorgt ervoor dat toekomstige wetenschappelijke studies, die vertrouwen op het meten van hoe deze deeltjes vervallen in de loop van de tijd, niet beïnvloed worden door de eigen verwarring van de computer. De auteurs suggereren dat deze methode een robuuste oplossing is om de data schoon en de fysica accuraat te houden.

Technische Samenvatting: Decorrelatie van Neurale Netwerken van Deeltjeslevensduur in de LHCb Topologische b-Trigger

Probleemstelling
De topologische beauty (b) trigger van het LHCb-experiment is een cruciale machine learning (ML) component die ontworpen is om botsingsgebeurtenissen te selecteren die $b$ -hadrons bevatten, gebaseerd op hun onderscheidende vervaltopologie, specif으로 grote levensduur en transversale impuls ( $p_T$ ). In Run 3 van de Large Hadron Collider (LHC) steeg het gemiddelde aantal zichtbare proton-protonbotsingen per bunch crossing ( $\mu$ ) van 1,1 (Runs 1 en 2) naar 5,3. Deze hogere pile-up omgeving introduceert een specifieke achtergrondmechanisme: de foutieve associatie van vervalproducten van verschillende primaire vertices (PV's).

Wanneer tracks van verschillende PV's onjuist worden gecombineerd om een kandidaat-vertex te vormen, kan de resulterende secundaire vertex (SV) kunstmatig grote vluchtafstanden en levensduuren vertonen. Deze "levensduur-gecorreleerde achtergrond" creëert een bias waarbij de neurale netwerk (NN) scores, die getraind zijn om $b$ -vervaltopologieën te identificeren, onbedoeld kandidaten met grote ware levensduuren benadelen. Bijgevolg daalt de selectie-efficiëntie bij grote levensduuren, wat een bias introduceert die tijdafhankelijke natuurkunde-analyses in gevaar brengt, welke vertrouwen op een onbevooroordeelde respons om de $b$ -hadron verval-tijdverdeling nauwkeurig te reconstrueren.

Methodologie
Om dit aan te pakken, hebben de auteurs twee verschillende benaderingen geïmplementeerd om de monotone Lipschitz neurale netwerken (MLNN's) die in de trigger worden gebruikt, te decorreleren van de kandidaat-levensduur ( $\tau$ ) bij grote vervaltijden. De MLNN's, die 2- en 3-body kandidaten selecteren, moeten monotoon zijn in kenmerken zoals transversale impuls ( $p_T$ ) en impact parameter kwaliteit ( $\chi^2_{IP}$ ), maar ze hebben geen expliciete toegang tot de levensduurvariabele.

De studie evalueert twee straftermen die worden toegevoegd aan de binaire cross-entropy (BCE) verliesfunctie tijdens de training:

Distance Correlation (DisCo): Deze methode voegt een strafterm toe op basis van de afstandscovariantie tussen de NN-score ( $\hat{y}$ ) en de levensduur ( $\tau$ ). De straf wordt genormaliseerd door de zelf-covariantie van de score en de levensduur, wat effectief de afstandscorrelatie ($dCorr$) tussen de twee variabelen minimaliseert.
Moment Decomposition (MoDe): Deze benadering decomponeert de cumulatieve distributiefunctie (CDF) van de NN-scores, gegroepeerd per levensduur, in Legendre-polynomen. De verliesfunctie straft het verschil tussen de werkelijke CDF en de decompositie (specifiek gebruikmakend van een kwadratische term, $\ell=2$ ). Dit maakt een gecontroleerde kwadratische afhankelijkheid tussen $\tau$ en $\hat{y}$ mogelijk, waarbij monotoniciteit bij grote levensduuren wordt afgedwongen terwijl de noodzakelijke "turn-on" curve bij kleine levensduuren behouden blijft om prompt achtergronden te verwerpen.

De modellen werden getraind op gesimuleerde monsters van $B^+ \to J/\psi(\mu^+\mu^-)K^+$ en $B^0 \to D^-(K^+\pi^-\pi^-)\pi^+$ vervallen, waarbij de achtergrond werd gemodelleerd via minimum bias simulaties.

Belangrijkste Bijdragen en Resultaten
Het artikel presenteert de implementatie en evaluatie van deze decorrelatietechnieken binnen het LHCb Run 3 topologische $b$ trigger-framework.

Optimalisatie: De optimale decorrelatiestuurssterkte werd gevonden te zijn bij $\lambda = 0,8$ voor de DisCo-benadering en $\lambda = 0,2$ voor de MoDe-benadering.
Efficiëntieprestaties: Beide methoden slaagden erin de selectie-efficiëntie bij grote levensduuren ( $\tau \gtrsim 5$ $τ ≳ 5$ ps) af te vlakken, waardoor de efficiëntiedaling waargenomen in niet-gedecorreleerde modellen werd gemitigeerd.
- De DisCo-benadering bereikte een vlakkere efficiëntie door de efficiëntie bij intermediaire levensduuren te verlagen en dit lagere niveau aan te houden bij grote levensduuren.
- De MoDe-benadering verbeterde de efficiëntie bij grote levensduuren terwijl de prestaties bij intermediaire levensduuren behouden bleven. Dit wordt toegeschreven aan het feit dat de MoDe-formulering de scherpe "turn-on" curve die vereist is bij kleine vervaltijden niet bestraft.
Kwantitatieve Analyse: Lineaire kleinste-kwadraten regressiefitten van de efficiëntie van $B^0$ -kandidaten voor $\tau > 4$ ps toonden aan dat MoDe een superieure reductie bood in de negatieve helling van de efficiëntiecurve. Voor 3-body kandidaten was de MoDe-helling bijna consistent met nul ( $-6,6 \pm 5,5$ ns $^{-1}$ ), vergeleken met de niet-gedecorreleerde helling van $-22,2 \pm 2,8$ ns $^{-1}$ .

Significantie
Het artikel concludeert dat de MoDe-benadering beter geschikt is voor het bereiken van levensduur-decorrelatie in de topologische $b$ trigger. Door de bias die wordt geïntroduceerd door pile-up-geïnduceerde misassociatie succesvol te mitigeren zonder de algehele classificatiekracht significant te compromitteren, zorgen deze methoden ervoor dat de triggerrespons onbevooroordeeld blijft ten opzichte van de deeltjeslevensduur. Dit is essentieel voor het behoud van de gevoeligheid van tijdafhankelijke metingen in de hoge-pile-up omgeving van LHCb Run 3.

De Drukke Uitsmijter en de Valse Aanwijzingen

De Detective Leren de Menigte te Negeren

De Resultaten: Een Vlakker, Eerlijker Score

Conclusie

Meer zoals dit