Machine-learning techniques for model-independent searches in dijet final states

Resumo Técnico: Técnicas de aprendizado de máquina para buscas independentes de modelo em estados finais de dijets

Definição do Problema
A busca por física além do Modelo Padrão (SM) no Large Hadron Collider (LHC) é cada vez mais desafiada pelo fundo esmagador de processos do SM, particularmente aqueles mediados pela interação forte (multijets QCD). As buscas tradicionais dependem de classificadores de aprendizado de máquina (ML) supervisionados, treinados para distinguir processos de fundo específicos do SM de sinais hipotéticos Além do Modelo Padrão (BSM). Essa abordagem exige formulações teóricas explícitas para cada modelo alternativo, limitando o escopo da descoberta a hipóteses conhecidas. Além disso, as técnicas tradicionais de "busca de picos" (bump hunt), que procuram picos ressonantes na massa invariante de sistemas de dijets ($m_{jj}$), podem falhar se a fração do sinal for pequena demais para produzir um pico visível contra o fundo suavemente decrescente do SM. O artigo aborda a necessidade de métodos de detecção de anomalias agnósticos ao modelo (que não dependem de conhecimento prévio do sinal) capazes de identificar jets anômalos sem conhecimento prévio das propriedades específicas do sinal, evitando simultaneamente a "escultura" (sculpting) da distribuição de $m_{jj}$, o que invalidaria as interpretações estatísticas.

Metodologia
O artigo apresenta uma comparação detalhada de cinco técnicas distintas de aprendizado de máquina aplicadas a dados de colisões próton-próton coletados pelo experimento CMS a $\sqrt{s} = 13$ TeV (2016–2018, 138 fb$^{-1}$). A análise visa estados finais de dijets onde uma ressonância pesada ($A$) decai em duas partículas mais leves ($B$ e $C$), que subsequentemente decaem em partículas do SM formando dois jets de grande raio. Os métodos são categorizados por seus paradigmas de treinamento:

1. Não supervisionado (VAE-QR): Um Autoencoder Variacional (VAE) é treinado em momentos de constituintes de baixo nível de jets de uma região de banda lateral (sideband), onde o sinal é suprimido, para aprender a distribuição do fundo do SM. A perda de reconstrução serve como uma pontuação de anomalia. Para evitar que a seleção distorça o espectro de $m_{jj}$ (escultura), uma etapa de Regressão de Quantil (QR) é empregada para normalizar o limiar de anomalia como uma função de $m_{jj}$, garantindo que uma fração constante de eventos seja selecionada, independentemente da massa.
2. Fracamente supervisionado (CWoLa Hunting, TNT, CATHODE, CATHODE-b): Estes métodos utilizam "Classificação Sem Rótulos" (CWoLa) para aprender a razão de verossimilhança entre o fundo e os dados diretamente de amostras de dados, sem rótulos de sinal explícitos.
   • CWoLa Hunting: Treina classificadores em jets individuais usando características de subestrutura de alto nível (ex: massa soft-drop, razões de N-subjettiness, pontuações de b-tagging) para distinguir jets em uma região de sinal (SR) daqueles em bandas laterais adjacentes. Técnicas de reponderação são aplicadas para descorrelacionar a pontuação de anomalia da cinemática do jet para mitigar a escultura de massa.
   • TNT (Tag N' Train): Combina supervisão fraca com uma pré-seleção inicial de autoencoder não supervisionado. Um jet é usado para "marcar" o outro como semelhante ao sinal ou ao fundo com base na perda do autoencoder, criando amostras enriquecidas para o treinamento fracamente supervisionado.
   • CATHODE / CATHODE-b: Utiliza um modelo generativo condicional (Normalizing Flows) treinado em dados de banda lateral para estimar a densidade do fundo na região de sinal. Um classificador fracamente supervisionado então distingue entre os dados observados e o fundo gerado. O CATHODE-b estende isso incluindo pontuações de b-tagging para aumentar a sensibilidade a acoplamentos de quarks de terceira geração.
3. Semi-supervisionado (QUAK): Incorpora um conjunto de priors de sinal simulados para guiar a busca. Utiliza Normalizing Flows treinados tanto em fundo quanto em benchmarks de sinal específicos para definir um "espaço QUAK", selecionando eventos que são dissimilares ao fundo, mas semelhantes aos priors de sinal.

Principais Contribuições

• Comparação Abrangente: Este trabalho fornece a primeira comparação detalhada destes cinco diversos métodos de detecção de anomalias usando dados reais de colisor, indo além de estudos anteriores limitados a eventos simulados.
• Mitigação de Escultura: O artigo detalha contramedidas técnicas específicas (regressão de quantil, reponderação, modelagem generativa) implementadas para garantir que a seleção de anomalias não crie ou distorça artificialmente picos na distribuição de $m_{jj}$, um requisito crítico para uma inferência estatística válida.
• Análise de Impacto de Características: O estudo investiga como diferentes conjuntos de características de entrada (constituintes de baixo nível vs. variáveis de subestrutura de alto nível) impactam o desempenho, revelando que a escolha das características pode explicar as diferenças de sensibilidade entre os métodos, mas não explica totalmente as lacunas de desempenho entre os algoritmos.
• Validação de Dados: Uma aplicação inovadora de detecção de anomalias fracamente supervisionada é demonstrada para identificar pares de quarks top Lorentz-boosted no canal de decaimento totalmente hadrônico, validando a capacidade dos métodos de recuperar a física conhecida em um framework agnóstico ao modelo.

Resultos

• Sensibilidade: Todos os cinco métodos demonstram aumento de sensibilidade a sinais BSM simulados em comparação com uma busca inclusiva (sem seleção de subestrutura) e cortes de subestrutura simples baseados em modelos específicos. No entanto, nenhum método único é ideal para todas as topologias de sinal.
• Complementaridade: A análise de correlação das pontuações de anomalia revela baixas correlações (tipicamente < 60%) entre os métodos, indicando que eles identificam eventos anômalos com base em critérios diferentes. Isso sugere que combinar estas abordagens poderia gerar estratégias de busca mais poderosas.
• Lacunas de Desempenho: Embora classificadores supervisionados treinados com as mesmas características alcancem características de melhoria de significância (SIC) elevadas, os métodos agnósticos ao modelo alcançam valores de SIC mais baixos (cerca de 50% do desempenho do supervisionado para alguns métodos). Esta lacuna é atribuída à falta de rótulos de sinal durante o treinamento e à necessidade de considerar incertezas sistemáticas no procedimento de estabelecimento de limites.
• Recuperação de Quark Top: No estudo de validação, o método fracamente supervisionado isolou com sucesso eventos de $t\bar{t}$ do fundo QCD, alcançando uma melhoria de significância comparável a um classificador totalmente supervisionado treinado com as mesmas entradas. Técnicas de interpretabilidade (importância de característica por permutação) identificaram com sucesso as propriedades físicas do excesso (massa do jet próxima a 175 GeV, altas pontuações de b-tagging e subestrutura de três prongs), demonstrando a viabilidade de interpretar resultados positivos de busca de anomalias.

Significância
O artigo afirma que estas técnicas de detecção de anomalias aumentam com sucesso a sensibilidade a assinaturas de novas partículas de forma agnóstica ao modelo, oferecendo uma alternativa robusta às buscas tradicionais baseadas em hipóteses. Ao demonstrar que estes métodos podem recuperar as propriedades de partículas conhecidas (quarks top) sem conhecimento prévio de sua existência, o trabalho valida o potencial da detecção de anomalias via ML para descobrir nova física inesperada. O estudo enfatiza que a complementaridade dos diferentes métodos ressalta o valor de empregar um conjunto diversificado de estratégias de detecção de anomalias em futuras análises do LHC.