Selection and processing of calibration samples to measure the particle identification performance of the LHCb experiment in Run 2

Este artigo descreve a estratégia e o esquema de processamento de dados desenvolvidos pelo experimento LHCb no Run 2 para selecionar amostras de calibração, visando medir o desempenho dos algoritmos de identificação de partículas e monitorar a qualidade dos dados.

O essencial

Imagine que o CERN e o seu experimento LHCb são como uma fábrica de detetives superpoderosos. O objetivo deles é investigar as partículas mais pequenas do universo (como quarks "beauty" e "charm") para descobrir se existem novas leis da física escondidas no comportamento delas.

Mas há um problema: para resolver o mistério, os detetives precisam saber exatamente quem é cada pessoa que passa pela porta. Eles precisam distinguir com precisão se uma partícula é um elétron, um múon, um píon, um kaon ou um próton. É como tentar identificar se um visitante é um turista, um funcionário ou um espião, apenas olhando para a sua cara e roupas, mesmo que todos estejam correndo muito rápido.

Este documento descreve como a equipa do LHCb criou um sistema de "treino" e "verificação" para garantir que os seus detetives (os sensores do computador) estão a fazer o trabalho corretamente.

Aqui está a explicação simplificada, passo a passo:

1. O Problema: "Quem é quem?"

O LHCb tem muitos sensores (como câmaras de raios X, câmaras de Cherenkov e detectores de múons) que tentam identificar as partículas. Mas, tal como numa fotografia com muita luz ou chuva, às vezes a imagem fica borrada.

• O risco: Se o computador achar que um píon é um kaon, a análise científica inteira pode ficar errada.
• A necessidade: Eles precisam de saber, com precisão milimétrica, qual a probabilidade de o detector se enganar. Para isso, precisam de amostras de calibração.

2. A Solução: O "Laboratório de Treino" (Amostras de Calibração)

Em vez de tentar adivinhar a identidade de cada partícula no meio do caos, os cientistas criaram um "laboratório de treino" com exemplos perfeitos.

• A Analogia: Imagine que você quer ensinar um cão a identificar um "gato". Você não o deixa solto na rua. Você pega em gatos reais, mostra-os ao cão e diz: "Isto é um gato". Depois, vê se o cão acerta.
• No LHCb: Eles selecionam eventos (colisões) onde sabem, com 100% de certeza, que uma partícula é um múon ou um elétron, sem usar os sensores de identificação.
  • Exemplo: Eles procuram o decaimento de uma partícula chamada $J/\psi$ que se divide em dois múons. Como a física diz que essa partícula só pode criar múons, se o computador encontrar essa assinatura, sabe que são múons. Isso serve como a "prova de verdade" para treinar o detector.

3. A Inovação: O "Duplo Processamento" (Online vs. Offline)

Antes de 2015, o processo era lento. Agora, o LHCb usa uma estratégia inteligente chamada Turbo.

• A Analogia: Pense num aeroporto.
  • Online (Ao vivo): É o controlo de segurança rápido. O detector faz uma análise rápida para decidir se deixa a partícula passar.
  • Offline (Pós-voo): É a análise detalhada feita depois, com mais tempo e ferramentas melhores.
• O que mudou: No passado, o "controlo de segurança" (Online) e a "análise detalhada" (Offline) podiam dar resultados diferentes, e ninguém sabia qual era o certo.
• A Nova Estratégia: O LHCb agora guarda ambas as versões para as mesmas partículas. Eles comparam o que o detector "pensou" na hora (Online) com o que ele "pensou" depois de analisar tudo em detalhe (Offline). Isso permite-lhes ver exatamente onde o detector falha e corrigir os erros.

4. A Ferramenta Mágica: O "SPlot" (A Balança Inteligente)

Mesmo nas amostras de treino perfeitas, há sempre um pouco de "lixo" (partículas que parecem o que queremos, mas não são).

• A Analogia: Imagine que você tem uma caixa cheia de moedas de ouro, mas há algumas moedas de ouro falsas misturadas. Você não consegue separá-las a olho nu.
• A Solução: Eles usam uma técnica estatística chamada SPlot. É como ter uma balança mágica que, ao pesar a caixa inteira, consegue dizer: "Esta caixa tem 95% de ouro verdadeiro e 5% de falso".
• Com isso, eles conseguem "subtrair" o lixo estatisticamente e medir a pureza do detector com precisão, mesmo sem ter uma amostra 100% limpa.

5. Por que é que isto é importante?

• Precisão: Para descobrir novas físicas, os erros têm de ser minúsculos (menos de 1%). Se o detector estiver a enganar-se 2% das vezes, o resultado científico é inválido.
• Monitorização: Estes dados servem também para vigiar a saúde do detector. Se o detector começar a "dormir" ou a ficar confuso (por causa da temperatura ou desgaste), as amostras de calibração avisam os cientistas imediatamente.
• O Futuro (Run 3): No futuro, o LHCb vai funcionar ainda mais rápido, sem guardar os dados brutos. Por isso, ter este sistema de calibração perfeito agora é crucial para garantir que, no futuro, os detetives não vão perder o rasto dos culpados.

Resumo Final

Este documento explica como a equipa do LHCb criou um sistema de controlo de qualidade super-rápido. Eles usam eventos "perfeitos" para treinar os seus computadores, comparam a visão rápida com a visão detalhada, e usam matemática inteligente para limpar o ruído. Tudo isto garante que, quando eles dizem "encontramos uma nova partícula", o mundo inteiro pode confiar que não foi um erro de identificação.

Resumo técnico

Título: Seleção e processamento de amostras de calibração para medir o desempenho de identificação de partículas do experimento LHCb no Run 2

1. Problema e Contexto

O experimento LHCb (Large Hadron Collider beauty) tem como objetivo principal estudar a física de sabor pesado, buscando evidências de nova física em processos de violação de CP e decaimentos raros de hádrons contendo quarks b e c. A Identificação de Partículas (PID) — distinguir entre elétrons, múons, píons, káons e prótons — é um componente crítico para o sucesso do programa físico.

Com o início do Run 2 do LHC (2015-2018), o experimento enfrentou novos desafios:

• Volume de Dados: Aumento significativo na taxa de dados, exigindo uma estratégia de computação mais eficiente.
• Reconstrução Online: O LHCb adotou um modelo de trigger (disparo) inovador baseado em reconstrução online quase completa. Isso significa que a maioria dos dados é processada em tempo real, e a reconstrução offline é reservada para casos especiais.
• Viés de Seleção: Para medir a eficiência e as probabilidades de erro (misidentification) dos detectores de PID, é necessário utilizar amostras de calibração que não sejam enviesadas pelas próprias variáveis de PID. No entanto, o trigger de hardware e software utiliza informações de PID para reduzir a taxa de dados, criando um viés natural que deve ser evitado nas amostras de calibração.
• Necessidade de Precisão: As análises físicas exigem precisão na sub-percentagem para correções de assimetrias e probabilidades de erro na ordem de milésimos.

2. Metodologia

O documento descreve uma estratégia integrada de seleção, processamento e análise de amostras de calibração:

A. Seleção de Amostras de Calibração (Modelo Tag-and-Probe)
Foram desenvolvidas mais de 20 seleções exclusivas para obter amostras puras das cinco espécies de partículas carregadas. A estratégia baseia-se no modelo Tag-and-Probe:

• Tag (Etiqueta): Uma partícula bem identificada (ex: um múon de um decaimento $J/\psi \to \mu^+\mu^-$).
• Probe (Sonda): Uma partícula candidata selecionada sem qualquer requisito de PID, garantindo que a amostra seja imparcial em relação à identificação.
• Decaimentos Utilizados:
  • Elétrons/Múons: $B^+ \to J/\psi K^+$ com $J/\psi \to e^+e^-$ ou $\mu^+\mu^-$.
  • Píons: $K^0_S \to \pi^+\pi^-$ (baixo momento) e $D^{*+} \to D^0 \pi^+$ com $D^0 \to K^-\pi^+$ (alto momento).
  • Káons: $D^+_s \to \phi \pi^+$ com $\phi \to K^+K^-$ e $D^{*+} \to D^0 \pi^+$.
  • Prótons: $\Lambda^0 \to p\pi^-$ e $\Lambda^+_c \to pK^-\pi^+$.
• Controle de Viés: As seleções evitam requisitos de PID no trigger para as partículas "probe" ou aplicam requisitos em partículas que não são usadas para a medição de desempenho.

B. Processamento de Dados e Modelo de Computação (TurboCalib)
Para lidar com o grande volume de dados e a necessidade de comparar reconstruções online e offline, foi desenvolvido um formato de dados dedicado chamado TurboCalib:

• Processamento Duplo: Cada evento na amostra de calibração é reconstruído duas vezes de forma independente:
  1. Online: Pelo sistema de trigger (usando dados brutos ou variáveis resumidas).
  2. Offline: Uma reconstrução completa acessando os dados brutos do detector.
• Correspondência (Matching): As partículas reconstruídas nas duas etapas são emparelhadas para permitir a medição da eficiência de requisitos que combinam variáveis online e offline.
• Formato de Dados: O formato armazena tanto os candidatos do trigger quanto os dados brutos do detector, permitindo reprocessamento futuro com algoritmos dedicados.

C. Medição de Desempenho e Correção

• Subtração de Fundo: Utiliza a técnica sPlot para subtrair estatisticamente o fundo residual, permitindo isolar a distribuição pura das partículas de interesse.
• Reponderação (Reweighting): Para aplicar a eficiência medida nas amostras de calibração a amostras de referência (dados de física ou simulação), os dados de calibração são ponderados para corresponder às distribuições cinemáticas (momento $p$, pseudorapidez $\eta$, multiplicidade de eventos) da amostra de referência.
• Correção de Simulação: Duas técnicas principais são usadas para corrigir a simulação Monte Carlo (MC) para que corresponda aos dados:
  1. Resampling: Substituição completa das variáveis de PID da simulação por amostragem das PDFs (funções de densidade de probabilidade) dos dados.
  2. Transformação de Variáveis: Uma transformação que ajusta a distribuição da simulação para a dos dados, preservando as correlações entre variáveis (usando estimativa de densidade de kernel via biblioteca Meerkat).

D. Ferramentas de Software
O pacote PIDCalib (interface em Python) foi desenvolvido para padronizar e facilitar o acesso a essas técnicas, permitindo que as análises físicas apliquem correções e ponderações de forma centralizada.

3. Principais Contribuições

• Novo Modelo de Computação: Implementação bem-sucedida do fluxo de dados TurboCalib, que integra reconstrução online e offline para amostras de calibração, resolvendo problemas de escalabilidade.
• Amostras Imparciais: Desenvolvimento de estratégias de seleção robustas que garantem amostras de calibração livres de viés de PID, essenciais para medições precisas de eficiência.
• Técnicas de Correção Avançadas: Refinamento das metodologias de correção de simulação (resampling e transformação), permitindo o uso de variáveis de PID corrigidas em classificadores multivariados complexos.
• Monitoramento em Tempo Real: Uso das amostras de calibração para monitoramento contínuo da qualidade dos dados (DQM), validação de algoritmos de reconstrução e detecção de desvios nas condições do detector.

4. Resultados

• Cobertura Cinemática: As amostras cobrem uma ampla faixa de momento transversal ($p_T$) e pseudorapidez ($\eta$), utilizando decaimentos de baixa e alta energia para preencher lacunas (ex: uso de $\Lambda^0$ e $\Lambda^+_c$ para prótons em diferentes regimes de momento).
• Precisão Estatística: A técnica de subtração de fundo distribuída (sPlot em grade) permitiu lidar com amostras massivas, garantindo que a incerteza estatística fosse dominada pelo tamanho da amostra de referência e não pela calibração.
• Validação: A comparação entre as reconstruções online e offline mostrou consistência, validando o uso de variáveis de PID online para a maioria das análises, enquanto a reconstrução offline permanece disponível para casos de precisão extrema.
• Figuras: O documento apresenta distribuições de massa invariante e distribuições cinemáticas (momento e $\eta$) para elétrons, múons, píons, káons e prótons, demonstrando a pureza e a estatística das amostras coletadas com 0,17 fb$^{-1}$ de luminosidade integrada (dados de 2015).

5. Significância

Este trabalho é fundamental para a física do LHCb no Run 2 e prepara o terreno para o Run 3:

• Viabilidade do Run 3: No Run 3, o LHCb operará em um modo onde a maioria dos dados será armazenada apenas como candidatos de decaimento (sem dados brutos). O modelo de calibração e processamento online desenvolvido neste artigo é pré-requisito para que as medições de PID permaneçam precisas sem a possibilidade de reprocessamento offline tradicional.
• Redução de Incertezas Sistemáticas: Ao fornecer medições precisas de eficiência e correções para a simulação, o trabalho reduz as incertezas sistemáticas nas medições de violação de CP e decaimentos raros, aumentando a sensibilidade do experimento a nova física.
• Padronização: A criação do pacote PIDCalib e a documentação clara das metodologias permitem que centenas de análises físicas utilizem consistentemente as correções de PID, garantindo a robustez dos resultados do colaboração.

Em resumo, o documento detalha a evolução crítica da infraestrutura de dados e análise do LHCb, permitindo a medição precisa do desempenho de identificação de partículas em um ambiente de dados de alta taxa e reconstrução online, essencial para o sucesso da física de sabor pesado na era do LHC de alta luminosidade.