⚛️ high-energy experiments

"Transforming" LHCb: self-supervised maps of heavy-flavour decays

Dit artikel stelt een zelfgesuperviseerde transformer-architectuur voor en valideert deze, die kaarten van zware-flavordecay leert van LHCb-data zonder expliciete labels, waarbij verbeterde tagging-prestaties en het vermogen om vervallen met onzichtbare deeltjes te detecteren worden aangetoond door gemaskeerde deeltjesinformatie af te leiden en anomalieën in gereconstrueerde jets te identificeren.

Oorspronkelijke auteurs: Marko Stamenkovic, Greg Landsberg

Gepubliceerd 2026-09-10

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Marko Stamenkovic, Greg Landsberg

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

Het universum is opgebouwd uit een handvol fundamentele deeltjes, maar de meest interessante verhalen spelen zich vaak af wanneer deze deeltjes vervallen en transformeren in lichtere, stabielere vormen. In de hoogenergetische botsingen bij de Large Had Collider worden zwaardere versies van deze deeltjes, bekend als beauty- en charm-hadrons, in enorme aantallen gecreëerd. Wanneer ze uit elkaar vallen, laten ze een spoor van andere deeltjes achter die detectoren kunnen zien. Natuurkundigen bestuderen deze sporen om barsten in ons huidige begrip van de natuur te vinden, op zoek naar tekenen van onzichtbare deeltjes of vreemde gedragingen die het standaardmodel van de natuurkunde niet kan verklaren. Het vinden van deze subtiele signalen is echter moeilijk omdat de detectoren alleen de zichtbare stukjes van de puzzel zien. Als een zwaar deeltje vervalt in iets dat geen spoor achterlaat, of als het verval rommelig en incompleet is, schieten de gebruikelijke instrumenten voor identificatie vaak tekort. De uitdaging is om te leren hoe men het volledige verhaal van een verval kan lezen door enkel naar de overgebleven fragmenten te kijken, zelfs wanneer een deel van het verhaal ontbreekt.

Onderzoekers aan de Brown University hebben een nieuwe manier ontwikkeld om computers te leren hoe ze deze zware deeltjesvervallen moeten begrijpen zonder een tekstboek met antwoorden nodig te hebben. In plaats van de computer miljoenen voorbeelden met de juiste labels te tonen, lieten ze de machine de regels van het spel leren door de gaten in te vullen. Ze namen een enorme dataset van gesimuleerde botsingen van het LHCb-experiment en presenteerden de computer jets — bundels deeltjes die ontstaan bij de botsing — waarbij ze doelbewust enkele van de sporen hadden verwijderd of hun identiteit hadden verborgen. De taak van de computer was om te raden wat er ontbrak. Door herhaaldelijk te proberen het volledige plaatje te reconstrueren vanuit incomplete informatie, leerde het systeem een diepe, interne kaart van hoe zware deeltjes gewoonlijk uit elkaar vallen. Deze kaart legt de complexe relaties tussen de deeltjes vast, zoals hoe ze bewegen, waar ze vandaan komen en wat ze zijn, zonder ooit expliciet de naam van het ouderdeeltje te zijn verteld.

Zodra de computer deze kaart had geleerd, testten de onderzoekers of het systeem de natuurkunde daadwerkelijk begreep. Ze ontdekten dat het systeem verschillende soorten zware deeltjes kon onderscheiden en zelfs het verschil kon zien tussen materie- en antimaterieversies van hetzelfde deeltje, waarbij het net zo goed presteerde als traditionele methoden die vertrouwen op volledig gelabelde data. Belangrijker nog, ze testten of het systeem kon detecteren wanneer een echt verval incompleet was. Wanneer ze een gereconstrueerd verval uit een echte botsing namen en een bekend onderdeel daarvan verwijderden, steeg de "missingness score" van de computer aanzienlijk, wat aangaf dat de jet minder compleet leek dan hij zou moeten zijn. Deze reactie was veel sterker dan wanneer ze willekeurige, ongerelateerde deeltjes uit dezelfde jet verwijderden. Dit suggereert dat het systeem de specifieke, coherente structuur van een zwaar deeltjesverval heeft geleerd en kan voelen wanneer die structuur wordt doorbroken.

Het team nam dit getrainde systeem vervolgens mee en paste het toe op echte data van proton-protonbotsingen die in കൂടി 2017 werden vastgelegd. Zonder verdere training op deze specifieke data, identificeerde het systeem succesvol dezelfde patronen in de werkelijke botsingen. Het kon verschillende soorten zware-flavor-vervallen onderscheiden en reageerde op het verwijderen van specifieke deeltjes in de echte data op precies dezelfde wijze als in de simulaties. De onderzoekers gebruikten het systeem ook om de data te verkennen op ongewone patronen. Ze vonden een kleine groep jets die er heel anders uitzagen dan de rest: ze waren vol gepakt met geladen deeltjes maar bevatten bijna geen neutrale deeltjes. Hoewel de onderzoekers niet direct konden zeggen wat de oorzaak hiervan was, organiseerde het systeem deze vreemde gebeurtenissen succesvol samen, wat aantoont dat de methode in staat is om soortgelijke anomalieën te groeperen voor verdere onderzoek.

Dit werk demonstreert dat een computer de taal van deeltjesverval direct uit de data zelf kan leren, zonder dat een mens eerst het woordenboek hoeft te schrijven. Door te leren het plaatje van een verval te voltooien, krijgt het systeem het krachtige vermogen om te herkennen wanneer er iets mis of ontbrekend is. Deze aanpak biedt een nieuwe manier om te zoeken naar fysica buiten ons huidige begrip, met name voor zeldzame of incomplete vervallen die anders wellicht verborgen zouden blijven in de ruis. De onderzoekers hebben aangetoond dat door machines te leren de structuur van deze gebeurtenissen te begrijpen, we nieuwe vensters kunnen openen naar de onzichtbare delen van het universum, wat potentieel nieuwe deeltjes of krachten kan onthullen die tot nu toe buiten ons bereik zijn gebleven.

Technische Samenvatting: "Transforming" LHCb: zelfgesuperviseerde kaarten van zware flavor-decays

Probleemstelling
Decays van zware flavor (heavy-flavour) van beauty- en charm-hadrons dienen als gevoelige sondes voor fysica buiten het Standaardmodel (BSM), met name in scenario's die betrokken zijn bij onzichtbare deeltjes of incomplete eindtoestanden (bijv. B-mesogenesis). Hoewel het LHCb-experiment bij CERN over de vereiste precisie beschikt voor tracking, vertexing en deeltjesidentificatie (PID) om deze decay-omgevingen in kaart te brengen, vertrouwen huidige flavor-tagging methoden in LHCb sterk op secundaire vertices en maken zij gebruik van de DeepSets-architectuur. Deze methoden benutten de volledige fragmentatiegeschiedenis, informatie over de underlying event en pileup vaak onvoldoende. Bovendien zijn bestaande taggers niet geoptimaliseerd voor "incomplete" decays waarbij delen van de eindtoestand geen detector-signatuur achterlaten. De auteurs stellen voor om recente vooruitgang in jet-flavor tagging van ATLAS en CMS te benutten—specifiek het gebruik van permutatie-invariante deeltjeswolken en transformer-architecturen—om de tagging-prestaties van LHCb te verbeteren en het bereik uit te breiden naar decays met onzichtbare deeltjes.

Methodologie
Het artikel introduceert een zelfgesuperviseerd leerkader dat direct uit data een "kaart" leert van de hadronisatie- en decay-omgevingen van zware flavor, zonder te vertrouwen op flavor- of exclusieve decay-labels.

Architectuur: Het kernmodel is een particle set transformer. Het neemt een ongeordende verzameling gereconstrueerde jet-constituenten op (tot 64 per jet), inclusclusief kinematica, verplaatsingsinformatie en probabilistische PID-responses van RICH- en calorimetrie-systemen. De encoder bestaat uit vijf transformer-blokken met een embedding-dimensie van 96 en acht attention heads.
Zelfgesuperviseerde Taak: Het model wordt getraind om twee gelijktijdige taken uit te voeren:
1. Masked PID Prediction: Het voorspellen van de PID-klasse en response bins voor overlevende deeltjes waarvan de PID-inputs verborgen zijn.
2. Particle Set Completion: Het voorspellen van de eigenschappen (multipliciteit, kinematica, lading, identiteit en topologie) van de constituenten die kunstmatig uit het jet-beeld zijn verwijderd.
Data Augmentatie: Tijdens de training worden nul tot vier gereconstrueerde constituenten uit een jet verwijderd op basis van specifieke regels (willekeurige geladen/neutrale, tegenovergestelde tekenen, hoekmatig gelokaliseerde groepen, verplaatste vertices of cascades). Het model moet de ontbrekende inhoud afleiden op basis uitsluitend van de overlevende deeltjes en de globale jet-context.
Missingness Score ( $S_{miss}$ ): Een belangrijke output is een score afgeleid van de waarschijnlijkheid van het model dat een jet incompleet is. Deze score wordt berekend als de log-odds ratio van de voorspelling van het model dat een jet incompleet is versus de baseline-waarschijnlijkheid van kunstmatige verwijdering in de trainingsset.
Trainingsdata: De studie maakt gebruik van twee datasets:
1. Gesimuleerde LHCb Open Data: Dijet-events ( $b\bar{b}$ , $c\bar{c}$ , lichte partonen, $Z \to b\bar{b}$ ) gegenereerd met Pythia 8 en EvtGen, gereconstrueerd met Geant4. Dit maakt gecontroleerde "interventie"-tests mogelijk waarbij specifieke gereconstrueerde resonanties worden verwijderd.
2. 2017 LHCb Open Data (Collision Data): Inclusieve proton-proton botsingsdata gebruikt om een apart model te trainen zonder flavor-labels, ter validatie van de toepasbaarheid van de methode onder reële detectorcondities.

Belangrijkste Bijdragen

Constructie van een Zelfgesuperviseerde Kaart: De auteurs demonstreren dat een transformer een continue representatie van zware flavor-decay-omgevingen kan leren door de gemaskeerde PID-informatie te infereren en jets te completeren met ontbrekende constituenten, wat effectief een "hadronisatie- en decay-kaart" creëert.
Label Efficiëntie: De studie toont aan dat deze zelfgesuperviseerde representatie fysiek betekenisvolle flavor- en quark-lading-informatie vastlegt. Wanneer deze wordt gebruikt als een bevroren feature extractor voor affine probes (lineaire classifiers), herstelt het 97–100% van de prestaties van een volledig gesuperviseerde transformer die met alle labels is getraind, met gebruik van slechts een fractie van de gelabelde data.
Anomaliedetectie via Interventie: Het artikel introduceert een methode om anomalieën te detecteren door systematisch gereconstrueerde decay-kandidaten (bijv. $D^0$ , $B^+$ ) uit jets te verwijderen en de stijging van de missingness score te observeren. Dit valideert dat het model de gecorreleerde structuur van zware flavor-decays heeft geleerd.
Transfer naar Collision Data: De methode wordt gevalideerd op echte 2017 LHCb collision data. Een model dat onafhankelijk op deze data is getraind, reproduceert de verwachte "missingness" respons wanneer constituenten van gereconstrueerde charm- en beauty-decays worden verwijderd, wat de overdraagbaarheid bevestigt.

Resultaten

Simulatie Prestaties:
- Het model onderscheidt tussen complete en kunstmatig incomplete jets met een Area Under the Curve (AUC) van 0,72 (inclusief), oplopend naar 0,87 voor jets met vier verwijderde constituenten.
- In flavor-tagging taken (bijv. $b$ vs. $c$ , $b$ vs. light), presteert de zelfgesuperviseerde probe significant beter dan een transformer met willekeurige gewichten. Bijvoorbeeld, in $b$ vs. $c$ classificatie bereikt het een AUC van 0,83 met slechts 0,1% van de gelabelde trainingsdata, vergeleken met 0,67 voor willekeurige features.
- De tagging power ( $P_{tag}$ ) voor inclusieve $b$ -jets is berekend op 10,6%, en voor $c$ -jets op 31,1%.
- Het verwijderen van gereconstrueerde $D^0 \to K\pi$ kandidaten uit $b$ -jets in simulatie resulteert in een gemiddelde scoreverschuiving van 4,05, wat aanzienlijk hoger is dan de verschuiving van 1,33 die wordt waargenomen bij het verwijderen van gematchte willekeurige tracks uit dezelfde jet.
Collision Data Prestaties:
- Een model getraind op 2017 collision data (zonder flavor-labels) reageert systematisch op de verwijdering van constituenten van acht gereconstrueerde charm- en beauty-modi. Voor charm-modi met een hoge statistiek overtreft de signaalrespons die van aangrenzende mass-sidebands.
- Simulatie-getrainde affine probes, toegepast op 2017 collision data zonder hertraining, scheiden succesvol $B^+$ en $B^0$ flavor categorieën en prompt $D^0/D^+$ decays, wat de overdraagbaarheid aantoont.
- Exploratieve analyse van jets met een hoge missingness in collision data onthult duidelijke clusters gebaseerd op gelijkenis (bijv. een groep geladen-rijke, neutraal-arme jets), wat suggereert dat de methode anomalieën kan organiseren voor verdere inspectie.

Betekenis en Claims
Het artikel claimt een proof of principle te bieden dat het in kaart brengen van zware flavor-decay-omgevingen via jets met behulp van zelfgesuperviseerd leren de flavor-tagging in LHCb kan transformeren. De auteurs benadrukken dat:

De aanpak niet afhankelijk is van exclusieve decay-labels of specifieke BSM-hypotheses tijdens de representatie-leerningsfase.
Het succesvol de kloof overbrugt tussen gesimuleerd leren en echte collision data, waarbij wordt gevalideerd dat het geleerde begrip van "compleetheid" overeenkomt met fysieke decay-structuren.
De methode een pad biedt om het ontdekkingsbereik uit te breiden naar "incomplete" of ongewone decays (inclusief die met onzichtbare deeltjes) door jets te identificeren die afwijken van de geleerde completion map.
De techniek complementair is aan bestaande taggers en kan worden uitgebreid naar grotere jet-radii of volledige event-informatie om opposite-side en same-side fragmentatie details te incorporeren.

De auteurs blijven bescheiden en merken op dat de huidige resultaten preliminair zijn en dat het onderscheiden van fysieke anomalieën van detector-effecten of reconstructiefouten verdere kalibratie, grotere datasets en toegang tot volledige event-records (inclusief detector hits) vereist. Zij positioneren dit werk als een fundamentele stap naar data-gedreven strategieën voor het onderzoeken van BSM-fysica in zware flavor-decays.

Meer zoals dit