Boosted top tagging via lepton-in-jet topology for vector-like quark searches in FCC-hh
Dit artikel presenteert een op machine learning gebaseerd raamwerk voor het identificeren van sterk geboost, leptonisch vervallende topquarks bij de 100 TeV FCC-hh, waarbij wordt aangetoond dat zowel op variabelen gebaseerde als op constitutenten gebaseerde taggers vergelijkbare prestaties leveren en een zoektocht naar vectorachtige -quarks mogelijk maakt met een ontdekkingsbereik tot 10 TeV.
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 kleine set fundamentele deeltjes die met elkaar interageren via krachten, een raamwerk dat bekend staat als het Standaardmodel. Dit model is ongelooflijk succesvol geweest, waarbij het gedrag van materie met extreme precisie heeft voorspeld en het bestaan van het Higgs-boson heeft bevestigd. Toch laat het belangrijke vragen onbeantwoord, zoals de aard van donkere materie en waarom neutrino's massa hebben. Om antwoorden te vinden, zoeken natuurkundigen naar nieuwe, zwaardere deeltjes die niet in het huidige model passen. Deze hypothetische deeltjes zouden, indien ze bestaan, te massief zijn om te worden gecreëerd door de krachtigste deeltjesversneller van vandaag. Om ze te kunnen zien, plannen wetenschappers een toekomstige machine genaamd de Future Circular Collider, die protonen tegen elkaar aan zal laten botsen bij energieën die ver boven wat momenteel mogelijk is liggen.
Wanneer deze nieuwe, zware deeltjes worden gecreëerd in een dergelijke botsing, wordt verwacht dat ze bijna onmiddellijk vervallen in lichtere, bekende deeltjes. Eén veelbelovende kandidaat voor een nieuw zwaar deeltje is een vectorachtige quark, een type materie dat anders zich gedraagt dan de quarks waaruit onze alledaagse wereld is opgebouwd. Als een dergelijk deeltje bestaat, zou het kunnen vervallen in een topquark en een W-boson. De topquark is het zwaarste bekende deeltje, en wanneer deze met enorme energie wordt geproduceerd, beweegt hij zo snel dat de vervalproducten worden samengedrukt tot een enkele, smalle stroom. Dit creëert een unieke uitdaging: de topquark vervalt in een bottomquark, een neutrino en een geladen deeltje zoals een elektron of muon. Omdat de topquark zo snel beweegt, raakt het geladen deeltje gevangen in de stroom van puin, waardoor het moeilijk te onderscheiden is van de achtergrondruis van de botsing.
Een team van onderzoekers heeft een nieuwe methode ontwikkeld om deze specifieke, hooggesnelde topquarks te identificeren met behulp van machine learning. Ze richtten zich op een scenario waarin een zware vectorachtige quark vervalt in een topquark en een W-boson, waarbij beide deeltjes uiteindelijk geladen deeltjes produceren. In dit evenement komt één geladen deeltje voort uit het W-boson en is het geïsoleerd, terwijl het andere voortkomt uit de topquark en begraven ligt in een jet van deeltjes. De onderzoekers trainden twee verschillende soorten kunstmatige intelligentie om dit begraven deeltje op te sporen. Het ene systeem keek naar een lijst met berekende eigenschappen, zoals de energie en positie van de deeltjes, terwijl het andere systeem de individuele deeltjes zelf onderzocht, net zoals een mens de details van een foto zou bekijken. Ze testten deze systemen tegen diverse soorten achtergrondruis, waaronder jets bestaande uit bottomquarks en andere zware deeltjes die ook geladen deeltjes bevatten.
De resultaten toonden aan dat beide machine learning-benaderingen zeer effectief waren in het vinden van de begraven topquarks. Het systeem dat de individuele deeltjes onderzocht, presteerde iets beter bij lagere energieën, terwijl het systeem dat berekende eigenschappen gebruikte even goed presteerde bij de hoogste energieën. Dit is significant omdat het bewijst dat zelfs wanneer deeltjes zo gecomprimeerd zijn dat ze moeilijk te scheiden zijn, het algemene patroon van energie en beweging nog steeds de sleutel tot identificatie vormt. De onderzoekers gebruikten deze tools vervolgens om een zoektocht naar de zware vectorachtige quark in de toekomstige collider te simuleren. Ze ontdekten dat de collider, met voldoende data, dit nieuwe deeltje zou kunnen ontdekken als het tot zeven biljoen elektronvolt weegt, een massa die ver buiten het bereik van huidige machines ligt. Als het deeltje iets breder of minder stabiel is, kan de zoektocht worden uitgebreid naar tien biljoen elektronvolt.
De studie behandelde ook een praktische zorg voor toekomstige experimenten: de aanwezigheid van "pile-up", waarbij veel extra botsingen tegelijkertijd plaatsvinden en een rommel van extra deeltjes creëren. De onderzoekers testten of hun methode nog steeds zou werken als ze de zachtere, langzamere deeltjes negeerden die pile-up de neiging heeft te produceren. Ze vonden dat het identificatievermogen sterk bleef, zelfs wanneer ze zich alleen concentreerden op de meest energetische tracks. Dit suggereert dat de methode robuust genoeg is om de chaotische omgeving van een toekomstige hogere energie-collider aan te kunnen. Door deze geavanceerde tagging-tools te combineren met een bredere analyse van het gehele botsingsverloop, toonde het team een duidelijke weg naar de ontdekking van nieuwe fysica. Hun werk biedt een concrete strategie voor hoe wetenschappers deze ongrijpbare, zware deeltjes eindelijk zouden kunnen zien wanneer de volgende generatie colliders online komt.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.