Measurement of the singly Cabibbo-suppressed decay $Λ_c^+\to pη'$ with Deep Learning

Usando dados de colisões $e^+e^-$ coletados pelo detector BESIII e um classificador baseado em redes neurais Transformer, este estudo relata a observação do decaimento suprimido por Cabibbo $\Lambda_c^+ \to p\eta'$ com uma significância estatística de 3,4$\sigma$ e determina a razão de suas frações de decaimento em relação ao decaimento $\Lambda_c^+ \to p\omega$.

O essencial

Imagine que o universo é uma grande fábrica de partículas, e os cientistas do laboratório BESIII (na China) são os inspetores que tentam entender como essa fábrica funciona. O objetivo deste trabalho específico foi encontrar uma peça muito rara e difícil de achar: um tipo específico de "acidente" (ou decaimento) que acontece quando uma partícula chamada Lambda-c se transforma em um próton e uma partícula misteriosa chamada eta-prime ($\eta'$).

Aqui está a explicação do que eles fizeram, usando analogias do dia a dia:

1. O Problema: A Agulha no Palheiro

Na física de partículas, quando duas partículas colidem, elas criam uma explosão de outras partículas. A maioria dessas explosões é "comum" e segue regras fáceis de prever. Mas os cientistas estavam procurando por algo muito específico e raro: o decaimento do Lambda-c para próton + eta-prime.

O problema é que esse evento é como tentar encontrar uma agulha em um palheiro gigante.

• O Palheiro: É o "ruído de fundo". São milhões de outras colisões que parecem com o que eles querem, mas não são.
• A Agulha: O evento real que eles querem medir.
• A Dificuldade: Antes, os cientistas tentavam encontrar essa agulha usando um método de "dupla verificação" (como ter dois guardas na porta), o que era seguro, mas muito lento e deixava passar muitas agulhas.

2. A Solução: O Detetive Inteligente (Deep Learning)

Para resolver isso, a equipe do BESIII decidiu mudar de estratégia. Em vez de usar regras manuais e rígidas para filtrar as partículas, eles criaram um detetive virtual superinteligente baseado em Inteligência Artificial (Deep Learning).

• O Treinamento: Eles "ensinaram" esse detetive usando simulações de computador. Mostraram milhões de exemplos de "agulhas reais" (sinal) e "palheiros falsos" (ruído).
• A Tecnologia: Eles usaram uma rede neural chamada Transformer (a mesma tecnologia por trás de assistentes de IA modernos como o que você está usando agora). Essa IA é especialista em olhar para um conjunto de dados bagunçado e encontrar padrões que o olho humano ou regras simples não veem.
• O Resultado: O detetive conseguiu separar a agulha do palheiro com uma precisão incrível, eliminando mais de 99% do lixo (o ruído de fundo) e mantendo cerca de 40% das agulhas reais.

3. A Medição: A Balança de Ouro

Como é difícil contar exatamente quantas "agulhas" existem, os cientistas usaram um truque de comparação.

• Eles escolheram outro decaimento conhecido e mais comum (Lambda-c para próton + omega) como uma régua de referência.
• Imagina que você quer saber o preço de um diamante raro, mas não tem uma balança precisa. Então, você compara o peso do diamante com o peso de uma moeda de ouro que você já conhece o valor.
• Ao comparar a frequência do evento raro com o evento comum, eles puderam calcular a probabilidade (chamada de "razão de ramificação") de forma muito mais precisa, cancelando muitos erros de medição.

4. O Resultado Final

Depois de analisar 4,5 bilhões de colisões (uma quantidade enorme de dados), o detetive de IA encontrou evidências suficientes para dizer: "Sim, essa agulha existe!"

• A Descoberta: Eles observaram o evento com uma confiança estatística de 3,4 sigma. Em linguagem de física, isso significa que a chance de ser apenas um erro de sorte é de menos de 0,1%. É como jogar uma moeda e ela cair em "cara" 34 vezes seguidas; é improvável demais para ser acaso.
• O Número: Eles descobriram que, para cada 100 vezes que o Lambda-c vira a partícula "comum" (omega), ele vira a partícula "rara" (eta-prime) cerca de 55 vezes (com uma margem de erro).

Por que isso importa?

Este trabalho é importante por dois motivos principais:

1. Prova de Conceito: Mostra que a Inteligência Artificial (Deep Learning) pode ser usada com sucesso em experimentos de física de alta energia para encontrar coisas que os métodos antigos não conseguiam ver. É como trocar uma lupa por um telescópio de última geração.
2. Entendendo o Universo: Medir essa partícula rara ajuda os físicos a testar teorias sobre como as partículas de "carne" (bárions) se comportam. Os resultados deste estudo ajudam a refinar os modelos teóricos que explicam as forças que mantêm o universo unido.

Em resumo: Os cientistas do BESIII usaram uma "inteligência artificial" para limpar uma bagunça gigante de dados, encontrando uma partícula rara que confirmou teorias antigas e abriu novas portas para a física do futuro.

Resumo técnico

Título: Medição do decaimento suprimido por Cabibbo $\Lambda_c^+ \to p\eta'$ com Aprendizado Profundo

Autores: Colaboração BESIII
Data: Fevereiro de 2026 (arXiv:2602.11974v1)

---

1. O Problema e o Contexto Físico

O decaimento de bárions charmados, como o $\Lambda_c^+$, oferece um laboratório único para investigar a dinâmica forte e fraca no setor do quark charm. Especificamente, o decaimento de dois corpos $\Lambda_c^+ \to p\eta'$ é um processo suprimido por Cabibbo (SCS).

• Desafio Teórico: A amplitude de decaimento envolve contribuições tanto de diagramas de emissão de W (fatorizáveis) quanto de troca de W (não fatorizáveis). Enquanto em mésons charmados as contribuições não fatorizáveis são suprimidas, em bárions elas são significativas devido à topologia de troca de W, complicando os cálculos teóricos.
• Incerteza Experimental: Modelos fenomenológicos (como o modelo de quarks constituintes, diagramas topológicos e simetria de sabor SU(3)) preveem uma taxa de ramificação (BF) na faixa de $O(10^{-4})$ a $O(10^{-3})$, mas com uma dispersão grande. Medições anteriores (Belle e BESIII) forneceram evidências ou observações preliminares, mas a precisão e a estatística eram limitadas devido ao enorme fundo combinatório em colisões $e^+e^-$.
• Limitação de Métodos Anteriores: A análise anterior do BESIII utilizou o método de "dupla marcação" (Double-Tag - DT), que reconstroi o bárion antiparalelo ($\bar{\Lambda}_c^-$) para suprimir fundos. Embora eficaz na redução de ruído, o método DT tem eficiência baixa e estatística limitada. O método de "marcação única" (Single-Tag - ST) aumenta drasticamente a eficiência, mas introduz um fundo hadrônico massivo que torna a extração do sinal difícil com cortes tradicionais.

2. Metodologia

A colaboração BESIII utilizou 4,5 fb$^{-1}$ de dados de colisão $e^+e^-$ coletados em sete energias no centro de massa (entre 4,600 e 4,699 GeV), logo acima do limiar de produção de pares $\Lambda_c^+\bar{\Lambda}_c^-$.

Estratégia de Análise:

1. Abordagem de Marcação Única (ST): O decaimento $\Lambda_c^+ \to p\eta'$ é reconstruído sem impor restrições no lado de recuo do evento. O $\eta'$ é reconstruído exclusivamente via o modo de decaimento $\eta' \to \pi^+\pi^-\gamma$.
2. Canal de Normalização: O decaimento $\Lambda_c^+ \to p\omega$ (com $\omega \to \pi^+\pi^-\pi^0$) foi utilizado como canal de referência para cancelar muitas incertezas sistemáticas.
3. Identificação de Sinal com Deep Learning (DL):
   • Para lidar com o alto fundo hadrônico do método ST, foi desenvolvido um classificador baseado em Redes Neurais Profundas (DNN) inspirado na arquitetura Transformer (especificamente o Particle Transformer ou ParT).
   • Entrada do Modelo: O modelo recebe uma "nuvem de pontos" (point cloud) contendo todas as trajetórias carregadas e chuveiros de fótons isolados, codificando variáveis de baixo nível (momento, ângulos, dE/dx, tempo de voo, etc.).
   • Classificação: O DNN foi treinado para uma classificação de três classes: Sinal, Fundo de $\Lambda_c^+\bar{\Lambda}_c^-$ não-sinal e Fundo Hadrônico.
   • Técnica de Ensemble: Dez DNNs independentes foram treinados em paralelo com inicializações aleatórias e dropout. As saídas foram médias para formar um ensemble robusto, minimizando o viés do modelo e melhorando a generalização.
   • Discriminador: Um variável composta $S = \text{score}_{\text{sig}} \cdot (1 - \text{score}_{\text{had}})$ foi definida. Eventos com $S > 0,98$ foram retidos, reduzindo o fundo em mais de duas ordens de magnitude enquanto mantinham ~40% do sinal.

Extração de Sinal:

• Foi realizada uma ajuste de verossimilhança máxima binned simultâneo nas distribuições da massa de restrição de energia de feixe ($M_{BC}$) para ambos os canais e todas as sete energias.
• As formas do sinal e dos fundos foram modeladas usando simulações de Monte Carlo (MC), com parâmetros de convolução Gaussianos livres para o sinal.

3. Contribuições Chave

• Aplicação de Transformers em Física de Hádrons: A primeira aplicação bem-sucedida de uma rede baseada em Transformer (ParT) para a identificação de decaimentos de bárions charmados em dados reais do BESIII, demonstrando a eficácia de técnicas de jet tagging do LHC em experimentos de física de sabor.
• Superação do Método DT: Demonstração de que a combinação do método de Marcação Única (ST) com aprendizado profundo pode atingir precisões comparáveis ao método de Dupla Marcação (DT), mas com uma estatística de sinal significativamente maior.
• Validação Rigorosa: Extensa validação do modelo, incluindo quantificação de incertezas devido a domain shift (diferenças entre dados e MC) e incertezas do próprio modelo, garantindo a robustez do resultado.

4. Resultados

• Observação do Sinal: O sinal para $\Lambda_c^+ \to p\eta'$ foi observado com uma significância estatística de 3,4$\sigma$.
• Razão de Branching Fractions (BF): A razão entre as taxas de decaimento foi medida como:
  $$\frac{\mathcal{B}(\Lambda_c^+ \to p\eta')}{\mathcal{B}(\Lambda_c^+ \to p\omega)} = 0,55 \pm 0,22_{\text{stat}} \pm 0,05_{\text{syst}}$$
• Taxa de Ramificação Absoluta: Utilizando o valor mundial médio de $\mathcal{B}(\Lambda_c^+ \to p\omega)$ do PDG, a taxa absoluta foi determinada como:
  $$\mathcal{B}(\Lambda_c^+ \to p\eta') = (6,15 \pm 2,45_{\text{stat}} \pm 0,53_{\text{syst}} \pm 1,16_{\text{ref}}) \times 10^{-4}$$
• Incertezas: A incerteza sistemática total foi de 8,7%, dominada principalmente pela modelagem do ajuste (6,2%) e pela incerteza do classificador neural (4,6%).

5. Significado e Conclusão

• Concordância Teórica: O resultado medido favorece os cálculos baseados em simetria de sabor SU(3) e diagramas topológicos, enquanto tende a excluir previsões puramente baseadas no modelo de quarks constituintes.
• Refinamento de Modelos: A medição fornece um novo ponto de dados crucial para refinar a descrição teórica dos decaimentos de bárions charmados, especialmente no que tange às contribuições não fatorizáveis.
• Impacto Metodológico: Este trabalho estabelece um novo padrão para análises de física de partículas onde o fundo é alto, demonstrando que o aprendizado profundo baseado em Transformers pode extrair sinais fracos de fundos combinatórios massivos de forma mais eficiente que os métodos tradicionais de cortes manuais ou o método DT.

Em resumo, o artigo representa um avanço tanto na física de sabor (fornecendo a medição mais precisa até o momento do decaimento $\Lambda_c^+ \to p\eta'$) quanto na metodologia experimental, validando o uso de arquiteturas de IA de ponta para análise de dados em colisores de elétrons e pósitrons.