Optimizing b-Jet Performance in the CMS High-Level Trigger with Run-3 Data

Este relatório apresenta o comissionamento e a avaliação de desempenho dos gatilhos de *b-jets* no sistema HLT do CMS, utilizando dados do Run-3 para otimizar a seleção de eventos de sabor pesado em tempo real.

O essencial

O "Filtro Inteligente" do LHC: Como o CMS identifica partículas valiosas no meio do caos

Imagine que você está tentando filmar um show de rock em um estádio lotado com 30 milhões de pessoas pulando ao mesmo tempo. O barulho é ensurdecedor, a movimentação é frenética e você só tem um pequeno cartão de memória para salvar os melhores momentos. Se você tentar gravar tudo, o cartão vai lotar em um segundo e você perderá o que realmente importa.

O Grande Colisor de Hádrons (LHC) funciona de forma parecida. Ele faz colisões de partículas bilhões de vezes por segundo. O experimento CMS (um dos grandes detectores que observa essas colisões) precisa decidir, em frações de milésimo de segundo, quais colisões são "interessantes" (como as que podem revelar o segredo do Universo) e quais são apenas "ruído" de fundo.

O Problema: A busca pelo "B-Jet"

No meio desse caos, os cientistas procuram por algo chamado "b-jet". Pense no b-jet como uma "assinatura de luxo". Algumas partículas muito importantes, como o Bóson de Higgs, costumam se transformar em b-jets. Identificá-los é como tentar encontrar uma pessoa específica usando apenas um boné vermelho em uma multidão de milhões de pessoas correndo.

Até pouco tempo, o sistema de "filtro" (chamado de HLT ou High-Level Trigger) usava uma técnica de identificação que estava ficando "cansada" e lenta para a nova velocidade das colisões do Run-3 (a fase atual do LHC). Se o filtro fosse muito rigoroso, ele perdia as partículas boas; se fosse muito frouxo, o sistema travava com excesso de dados inúteis.

A Solução: O Novo "Cérebro" (ParticleNet@HLT)

O artigo apresenta uma atualização tecnológica incrível: o ParticleNet@HLT.

Para entender o que ele é, imagine que o filtro antigo era como um segurança de festa que olhava apenas se a pessoa estava de terno. O ParticleNet é como um segurança de elite treinado com Inteligência Artificial que não olha apenas a roupa, mas analisa o jeito de andar, o ritmo do passo e até a forma como a pessoa interage com o ambiente.

Ele usa uma tecnologia chamada Redes Neurais de Grafos. Em vez de olhar para a partícula de forma isolada, ele olha para o "grupo" de partículas que ela forma, entendendo as conexões entre elas. É como se, em vez de olhar apenas para uma foto borrada, ele conseguisse montar um quebra-cabeça 3D em tempo real para entender quem é quem.

Os Resultados: Mais eficiência, menos erro

O estudo mostra que esse novo "cérebro" digital trouxe resultados fantásticos:

1. Mais precisão: Ele consegue identificar muito mais b-jets (os "momentos de luxo") sem deixar passar tanta coisa importante.
2. Menos confusão: Ele é muito melhor em não confundir uma partícula comum (um "falso positivo") com um b-jet. É como um filtro de spam que agora só deixa passar e-mails realmente importantes.
3. Estabilidade: Mesmo com o acelerador rodando em intensidades diferentes ao longo dos anos (2022 a 2024), o sistema se manteve firme e confiável.

Por que isso importa?

Graças a esse novo filtro inteligente, os cientistas do CMS agora podem estudar processos raros, como a produção de pares de Bósons de Higgs, que antes eram muito difíceis de "pescar" no meio de tanto ruído.

Em resumo: O artigo celebra a implementação de uma "super-visão" artificial que permite ao CMS enxergar o que realmente importa no meio do caos das colisões de partículas, preparando o caminho para as próximas grandes descobertas da física.

Resumo técnico

Resumo Técnico: Otimização do Desempenho de b-Jets no HLT do CMS com Dados do Run-3

Problema
A identificação de jets originados por quarks pesados (b-jets e c-jets) é fundamental para o programa de física do experimento CMS, especialmente em processos que não possuem assinaturas óbvias (como léptons de alta $p_T$ ou momento transversal ausente), como a produção de pares de bósons de Higgs ($H \to b\bar{b}$). O desafio reside no sistema de High-Level Trigger (HLT), que deve selecionar eventos de interesse em tempo real, reduzindo a taxa de colisão de ~30 MHz para apenas 1–3 kHz. Durante o Run-2, utilizava-se o algoritmo DeepJet, mas as condições de degradação do rastreador (tracker) no Run-3 tornaram esse método ineficiente para manter as taxas de saída sem elevar excessivamente os limiares (thresholds) de seleção.

Metodologia
Para superar as limitações do Run-2, foi introduzido o ParticleNet@HLT, um algoritmo baseado em Redes Neurais de Grafos (GNN) de convolução dinâmica. Diferente de classificadores anteriores, o ParticleNet trata o jet como um conjunto não ordenado de candidatos de Particle-Flow (PF) e vértices secundários (SV), aprendendo correlações locais e globais de forma invariante à permutação.

A metodologia de implementação e validação incluiu:

1. Arquitetura: Uso de parâmetros de impacto de trilhas, observáveis de distância de voo, cinemática de SV e composição do jet como entradas.
2. Treinamento: Realizado em jets AK4 simulados com $p_T > 30$ GeV e $|\eta| < 2.5$.
3. Pontos de Trabalho (Working Points - WP): Definição de três níveis de seleção (loose, medium, tight) para controlar as taxas de erro de identificação (mistag) de jets de sabor leve e c-jets em 10%, 1% e 0,1%, respectivamente.
4. Validação em Dados: Comparação da eficiência do HLT com a reconstrução offline utilizando um dataset enriquecido em processos $t\bar{t}$ (eletron-múon) para garantir a precisão das medições.

Principais Contribuições

• Transição Tecnológica: A substituição bem-sucedida do algoritmo DeepJet pelo ParticleNet@HLT como o padrão de identificação de sabor pesado no CMS.
• Capacidade de Discriminação: Pela primeira vez, o sistema permitiu gatilhos (triggers) dedicados para jets de charme (c) e taus ($\tau$) a partir de 2023.
• Otimização de Recursos: Implementação de um algoritmo de reconstrução de trilhas atualizado que reduziu a latência e aumentou a eficiência no HLT durante o Run-3.

Resultados

• Ganho de Eficiência: O ParticleNet@HLT apresentou um ganho de 10% a 15% na eficiência de b-tagging em comparação ao DeepJet para as mesmas taxas de erro de identificação.
• Estabilidade: As análises dos dados de 2024 demonstraram que o desempenho do algoritmo permanece estável através de diferentes períodos de coleta de dados (eras), validando a robustez do modelo após os retreinamentos periódicos.
• Melhoria em Gatilhos de Física: No gatilho de busca de $HH \to 4b$ (quatro b-jets), a configuração do menu de 2024 proporcionou um aumento de aproximadamente 6% na eficiência em relação a 2023, com um impacto mínimo na taxa de saída (aumento de apenas ~50 Hz).

Significância
Este trabalho é crucial para a física de bósons de Higgs e para a busca de nova física no LHC. Ao otimizar a seleção de b-jets no nível de gatilho, o CMS consegue capturar uma fração muito maior de eventos de processos raros e totalmente hadrônicos que, de outra forma, seriam perdidos. Além disso, o sucesso do ParticleNet estabelece o caminho para a próxima fase (HL-LHC), onde arquiteturas baseadas em Transformers deverão ser adotadas para lidar com a complexidade e as taxas de dados ainda mais elevadas.