Machine learning techniques for jet reconstruction at LHCb and application to the search for $H \to b \bar{b}$ and $H \to c \bar{c}$ in $\sqrt{s}=13$ TeV $pp$ collisions

Este artigo apresenta técnicas de aprendizado de máquina para calibração de energia de jato e identificação de sabor (flavor tagging) no LHCb, as quais são aplicadas na busca por decaimentos inclusivos de $H \to b\bar{b}$ e $H \to c\bar{c}$ em colisões $pp$ a 13 TeV, resultando em limites superiores observados de nível de confiança de 95% de 6,6 e 1003 vezes a seção de choque do Modelo Padrão, respectivamente.

O essencial

Imagine o Grande Colisor de Hádrons (LHC) no CERN como um enorme e veloz esmagador de partículas. Quando os prótons colidem, eles se despedaçam em uma chuva caótica de partículas menores. Os físicos precisam vasculhar esses detritos para encontrar eventos específicos e raros — como encontrar um tipo específico de vidro quebrado em um monte de areia.

Este artigo do experimento LHCb descreve como eles usaram inteligência artificial (aprendizado de máquina) para se tornarem muito melhores em classificar esses detritos, especificamente para procurar o bóson de Higgs (uma partícula famosa) se decompondo em dois tipos específicos de "quarks" (bottom e charm).

Aqui está uma análise do que eles fizeram, usando analogias simples:

1. O Problema: Uma Multidão Ruidosa

Quando um bóson de Higgs se decompõe em dois quarks, esses quarks voam e se transformam em "jets" (jatos de partículas). O desafio é que o sinal do Higgs é muito tênue e está enterrado sob uma montanha de ruído de fundo (colisões comuns de partículas).

Para encontrar o Higgs, os físicos precisam fazer duas coisas perfeitamente:

1. Medir o peso: Eles precisam saber exatamente quanta energia os jatos têm para calcular a massa da partícula original.
2. Identificar o sabor: Eles precisam saber se os jatos vieram de um quark "bottom", de um quark "charm" ou apenas de um quark "leve" genérico.

2. A Solução: Duas Novas Ferramentas de IA

A equipe desenvolveu duas novas técnicas de aprendizado de máquina para melhorar sua busca.

Ferramenta A: A "Balança Inteligente" (Correção de Energia de Jet)

O Jeito Antigo: Imagine tentar pesar uma mala em uma balança que está levemente desregulada. Você usava uma fórmula simples para tentar adivinhar a correção, mas não era perfeita, e sua medição do peso da mala ainda era um pouco embaçada.
O Novo Jeito: A equipe construiu um Modelo de Regressão (um tipo de IA). Em vez de uma fórmula simples, esta IA observa a "forma" do jato, quantas partículas existem dentro dele e como elas estão arranjadas. Ela age como uma balança superinteligente que aprende com milhões de exemplos para prever o peso real do jato com uma precisão muito maior.
O Resultado: O "embaçado" em suas medições ficou mais nítido. Eles agora podiam distinguir o sinal do Higgs do ruído de fundo de forma muito mais clara.

Ferramenta B: O "Detetive Especialista" (Identificação de Sabor de Jet)

O Jeito Antigo: Para identificar se um jato era um jet "bottom" ou "charm", o método antigo procurava por uma pista específica: um "vértice secundário" (um pequeno ponto onde uma partícula decaiu). Era como um detetive procurando por uma única impressão digital. Se a impressão digital fosse fraca ou estivesse ausente, o detetive não conseguia tomar uma decisão.
O Novo Jeito: Eles construíram uma Rede Neural Profunda (DNN). Isso é como contratar um detetive que não olha apenas para uma impressão digital. Esta IA observa tudo: as trajetórias de cada partícula, os depósitos de energia, os pontos de decaimento e a forma geral do jato. Ela combina milhares de pistas minúsculas para tomar uma decisão.
O Resultado: Este "Super Detetive" é muito melhor em detectar a diferença entre jets bottom, jets charm e jets leves comuns. Ele capturou mais dos sinais reais e ignorou mais dos falsos.

3. A Grande Caçada: Procurando pelo Higgs

Com essas duas novas ferramentas, a equipe partiu à caça do bóson de Higgs se decompondo em:

• Quarks bottom ($H \to b\bar{b}$)
• Quarks charm ($H \to c\bar{c}$)

Eles analisaram dados de 2016 (1,6 fb$^{-1}$ de colisões). Eles não assumiram como o Higgs foi produzido; eles apenas procuraram pelos produtos de decaimento em qualquer lugar nos dados.

O Desafio: O ruído de fundo (colisões comuns de partículas) é enorme. Para lidar com isso, eles usaram um truque inteligente: definiram uma "Região de Controle" (uma zona segura onde sabiam que não existia Higgs) para aprender como era o ruído de fundo e, então, usaram esse conhecimento para prever o ruído em sua "Região de Sinal" (onde o Higgs poderia estar).

4. Os Resultados: O Que Eles Encontraram?

Após rodar os números, eles não encontraram evidências do bóson de Higgs se decompondo desta forma específica em seu conjunto de dados. Os dados pareceram exatamente o que se esperaria se o Higgs não estivesse lá (ou fosse raro demais para ser visto com esta quantidade de dados).

No entanto, eles estabeleceram limites sobre o quão frequentemente isso poderia estar acontecendo:

• Para Quarks Bottom: Eles descobriram que, se o Higgs está se decompondo em quarks bottom, isso acontece pelo menos 6,6 vezes menos frequentemente do que o Modelo Padrão prevê. (Este é um resultado muito bom; está próximo do limite esperado).
• Para Quarks Charm: Eles descobriram que, se o Higgs está se decompondo em quarks charm, isso acontece pelo menos 1.003 vezes menos frequentemente do que o previsto. (Este limite é muito mais fraco, o que significa que é muito mais difícil encontrar o sinal de charm porque o ruído de fundo é muito alto e os jets de charm são mais difíceis de detectar).

5. O Que Vem a Seguir?

O artigo conclui que, embora não tenham encontrado o Higgs neste conjunto de dados específico, suas novas ferramentas de IA são um grande sucesso. Eles provaram que o aprendizado de máquina pode melhorar significativamente a forma como o LHCb mede os jatos.

Eles preveem que, com mais dados de execuções futuras (Run 4 e Run 5 do LHC), essas ferramentas serão poderosas o suficiente para finalmente observar o Higgs se decompondo em quarks bottom e chegar muito perto de observar a decomposição em quarks charm.

Em resumo: Eles construíram óculos de IA melhores para enxergar através da névoa de partículas. Eles não encontraram o tesouro (o sinal do Higgs) neste monte de areia específico, mas provaram que seus novos óculos funcionam tão bem que estão confiantes de que encontrarão o tesouro com um monte de areia maior no futuro.

Resumo técnico

Resumo Técnico: Técnicas de Aprendizado de Máquina para Reconstrução de Jets no LHCb e Aplicação em Buscas de $H \to b\bar{b}$ e $H \to c\bar{c}$

Definição do Problema
O experimento LHCb, projetado primordialmente para física de sabor pesado na região de pseudorapidez frontal ($2 < \eta < 5$), enfrenta desafios significativos na reconstrução e identificação de jets, particularmente aqueles originados de quarks de sabor pesado ($b$ e $c$). Métodos de reconstrução padrão sofrem com resolução de energia degradada devido a neutrinos não detectados em decaimentos semilepônicos e eficiência limitada na distinção entre jets de sabor pesado e jets de sabor leve (iniciados por quarks $u, d, s$ ou glúons). Essas limitações dificultam a precisão das buscas inclusivas do Bóson de Higgs ($H \to b\bar{b}$ e $H \to c\bar{c}$) no estado final de dijet, onde a resolução precisa da massa invariante de dijet e uma alta pureza de flavour tagging são críticas para separar o sinal do esmagador fundo QCD de multijets.

Metodologia
O artigo introduz duas novas técnicas de aprendizado de máquina para abordar esses desafios de reconstrução e identificação, aplicadas a um conjunto de dados de colisões $pp$a$\sqrt{s} = 13$ TeV correspondentes a uma luminosidade integrada de $1,6 \text{ fb}^{-1}$ (coletada em 2016).

1. Correção de Energia de Jet (JEC) Baseada em Regressão:

   • Abordagem: Um Regressor de Gradiente de Boosting (GBR) é empregado para corrigir as energias dos jets, substituindo o fator de correção multiplicativo padrão.
   • Entradas: O modelo utiliza um conjunto abrangente de 421 características, incluindo cinemática do jet ($p_T, \eta, \phi$), composição (número de constituintes, fração de partículas carregadas), subestrutura do jet (distribuição de energia em anéis concêntricos $\Delta R$), informação de múons e variáveis ao nível do evento (número de vértices primários).
   • Treinamento: O regressor é treinado em amostras de sinal de $H \to b\bar{b}$ e de fundo de dijet simulados para prever a energia do jet no nível de verdade (truth-level). Modelos separados são treinados para os jets líderes e subledores.
   • Objetivo: Minimizar a diferença entre a massa invariante de dijet reconstruída e a de verdade ($m_{reco} - m_{truth}$), visando melhorar a resolução de massa.

2. Rede Neural Profunda (DNN) para Flavour Tagging de Jets:

   • Abordagem: Uma Rede Neural Profunda, inspirada no algoritmo DeepJet do CMS, é desenvolvida para discriminar entre jets $b$, jets $c$ e jets leves.
   • Arquitetura: A rede processa quatro categorias de entradas: partículas carregadas, partículas neutras, vértices secundários e propriedades globais do jet. Ela utiliza camadas convolucionais 1D para características de partículas, uma camada de Long Short-Term Memory (LSTM) para processamento sequencial de partículas carregadas/neutras e camadas densas para classificação final.
   • Entradas: Até 20 partículas carregadas (ordenadas por parâmetro de impacto) e 10 partículas neutras (ordenadas por energia) por jet são incluídas, juntamente com a cinemática do vértice secundário e variáveis globais do jet.
   • Saída: A rede produz três probabilidades ($P_b, P_c, P_q$) representando a verossimilhança de o jet originar-se de um quark $b$, $c$ ou leve, respectivamente.

3. Estratégia de Busca e Estimativa de Fundo:

   • Regiões de Sinal e de Controle: Regiões de Sinal (SR) são definidas por limiares estritos de probabilidade da DNN e requisitos de tagging de vértice secundário. Regiões de Controle (CR), compostas por pares de jets de sabores mistos, são usadas para modelar o fundo dominante de QCD multijet de forma baseada em dados (data-driven).
   • Modelagem de Fundo: Uma função de transferência (TF), parametrizada como um polinômio de Bernstein, extrapola a forma da massa de dijet do CR para o SR.
   • Análise Estatística: Um ajuste de máxima verossimilhança em bins é realizado no espectro de massa invariante de dijet ($45 < M_{jj} < 250 \text{ GeV}/c^2$). Incertezas sistemáticas (ex: escala de energia do jet, eficiência de tagging, modelagem de fundo) são incorporadas via parâmetros de perturbação (nuisance parameters). Limites superiores são estabelecidos usando o método $CL_s$.

Principais Contribuições

• Desenvolvimento Algorítmico: O artigo apresenta a primeira aplicação de uma correção de energia de jet baseada em GBR e uma DNN de subestrutura completa para flavour tagging no LHCb.
• Melhoria de Desempenho:
  • A correção GBR melhora significativamente a resolução da massa invariante de dijet em comparação com o método padrão de JEC cúbica.
  • O algoritmo de tagging por DNN demonstra uma melhoria de eficiência relativa de $>9\%$ para jets $b$ e $>20\%$ para jets $c$ em comparação com o algoritmo padrão de tagging de vértice secundário (SVT), mantendo uma taxa de misidentificação de jets leves de $\sim 1\%$.
• Busca Inclusiva: Diferente de análises anteriores do LHCb focadas na produção associada a bósons vetoriais ($VH$), este trabalho visa decaimentos inclusivos de $H \to b\bar{b}$ e $H \to c\bar{c}$ sem suposições sobre o mecanismo de produção, permitindo comparações mais amplas com teorias além do Modelo Padrão (BSM).

Resultados
Usando o conjunto de dados de 2016 ($1,6 \text{ fb}^{-1}$), nenhuma excesso significativo de eventos atribuíveis a decaimentos do Bóson de Higgs foi observado em nenhum dos canais. Os rendimentos de sinal ajustados foram compatíveis com zero.

• Busca $H \to b\bar{b}$:

  • Limite superior observado a 95% CL: $6,6 \times \sigma_{SM}$ (211 pb).
  • Limite superior esperado a 95% CL: $11,1 \times \sigma_{SM}$.
  • O limite observado é mais rigoroso que o esperado devido a uma flutuação estatística para baixo nos dados.

• Busca $H \to c\bar{c}$:

  • Limite superior observado a 95% CL: $1003 \times \sigma_{SM}$ (1605 pb).
  • Limite superior esperado a 95% CL: $1834 \times \sigma_{SM}$.
  • A sensibilidade é limitada por uma baixa razão sinal-fundo, redução na eficiência de charm-tagging e taxas mais altas de misidentificação de fundo.

• Incertezas Sistemáticas: A incerteza sistemática dominante para ambas as buscas é a eficiência de tagging de vértice secundário do jet (15% para $H \to b\bar{b}$, 19% para $H \to c\bar{c}$).

Significância e Perspectivas Futuras
O artigo afirma que estes resultados estabelecem os limites mais rigorosos sobre a produção inclusiva de $H \to b\bar{b}$ e $H \to c\bar{c}$ utilizando o atual conjunto de dados do LHCb. A implementação destas técnicas de aprendizado de máquina demonstra o seu potencial para aumentar a precisão das medições de jet no LHCb.

Os autores fornecem extrapolações para a coleta de dados futura (Run 3, Run 4 e Run 5). Eles concluem que:

• A observação do processo inclusivo $H \to b\bar{b}$ deve ser viável até o final da Run 4 (50 $\text{fb}^{-1}$), com limites projetados atingindo $\sim 1,1 \times \sigma_{SM}$.
• Até o final da Run 5 (300 $\text{fb}^{-1}$), o canal inclusivo $H \to c\bar{c}$ deve restringir o acoplamento de Yukawa do charme ($y_c$) para aproximadamente 6,7 vezes o valor do Modelo Padrão. Esta abordagem oferece uma restrição complementar às buscas de produção $VH$, pois não depende de suposições sobre o mecanismo de produção do Higgs.