Using Graph Neural Networks for hadronic clustering and to reduce beam background in the Belle~II electromagnetic calorimeter

Este trabalho apresenta o uso de Redes Neurais em Grafos para identificar e remover depósitos de energia indesejados causados por ruído de fundo e interações hadrônicas no calorímetro eletromagnético do Belle II, melhorando assim a resolução e a precisão na reconstrução de partículas.

O essencial

Imagine que o Belle II é um gigante detector de partículas, como uma câmera superpoderosa que tira fotos de colisões de átomos. Dentro dessa câmera, existe um "olho" chamado Calorímetro Eletromagnético (ECL). Ele é feito de milhares de cristais de vidro (8.376 deles!) que brilham quando partículas passam por eles, como se fossem pequenos faróis acendendo.

O problema é que, ultimamente, esse "olho" está ficando confuso. Aqui está o que está acontecendo e como os cientistas estão usando Inteligência Artificial para resolver, explicado de forma simples:

1. O Problema: O "Ruído" da Festa

Imagine que você está tentando ouvir uma conversa em uma festa.

• O Sinal Real: São as pessoas conversando (as partículas que os cientistas querem estudar, como os "B-mésons").
• O Ruído: É o barulho da música, as pessoas gritando e os copos batendo (o "fundo" ou background).

Com o acelerador de partículas (SuperKEKB) funcionando em níveis recordes, a "festa" ficou muito mais barulhenta.

1. Mais Barulho de Fundo: O acelerador está criando tantas partículas indesejadas (devido a colisões com gases residuais ou radiação) que os cristais estão acendendo aleatoriamente. É como se a festa tivesse mil pessoas gritando ao mesmo tempo.
2. Partículas "Desconectadas": Quando partículas pesadas (hádrons) colidem, elas não fazem um brilho limpo e contínuo como a luz. Elas explodem em pedaços, criando "ilhas" de energia separadas. O sistema antigo de agrupamento (que tenta juntar os cristais que acenderam perto uns dos outros) fica confuso. Ele acha que essas ilhas separadas são várias pessoas conversando, quando na verdade é apenas uma única pessoa que está gritando e se movendo.

Isso gera dois problemas graves:

• Falsos Positivos: O sistema cria "fantasmas" (agrupamentos de energia que não existem de verdade).
• Perda de Precisão: O sistema não consegue dizer exatamente onde a partícula original estava, porque o brilho está espalhado e bagunçado.

2. A Solução: O Detetive com "Visão de Rede" (GNN)

Os cientistas (Jonas e Torben) decidiram usar uma Rede Neural de Grafos (GNN). Para entender como funciona, usemos uma analogia:

• O Método Antigo (Regra Rígida): Era como um policial que só olhava para dois vizinhos. Se o vizinho da esquerda e o da direita acendessem, ele dizia: "Ah, é um grupo!". Se houvesse um buraco no meio, ele dizia: "São dois grupos diferentes!". Ele não entendia o contexto geral.
• O Novo Método (GNN - O Detetive Social): Imagine que cada cristal que acende é uma pessoa em uma rede social. A Rede Neural não olha apenas para quem está ao lado; ela olha para todo o padrão de conexões.
  • Ela pergunta: "Essas pessoas (cristais) estão conversando entre si? A energia delas faz sentido juntas? Ou é apenas ruído aleatório?"
  • Ela consegue ver que, mesmo que haja um "buraco" (cristal que não acendeu) entre dois grupos, eles ainda fazem parte da mesma "conversa" (partícula original).
  • Ela também consegue identificar quem é o "intruso" (o ruído de fundo) e ignorá-lo antes de tentar montar a história.

3. Como eles treinaram o Detetive?

Para ensinar essa IA, eles precisaram de um "livro de respostas". Eles usaram simulações de computador para criar milhões de colisões virtuais e rotularam cada "brilho" (Local Maximum) em três categorias:

1. Sinal: O brilho real que queremos.
2. Ruído de Fundo: O brilho causado pelo barulho da festa (feixe de partículas).
3. Partículas "Split-off": Aquelas partículas rebeldes que se separaram da original e criaram um brilho falso longe de onde deveriam.

A IA aprendeu a olhar para a forma, o tempo e a intensidade do brilho para dizer: "Isso é um fantasma, apague!" ou "Isso é real, guarde!".

4. Os Resultados: Limpando a Festa

O resultado foi impressionante:

• Contra o Ruído de Fundo: A IA conseguiu remover 95% do barulho indesejado causado pelo acelerador, sem apagar as conversas importantes (os sinais reais). É como se ela tivesse silenciado 95% das pessoas gritando na festa, permitindo que você ouvisse a conversa principal.
• Contra as Partículas Rebeldes: Para as partículas que se separaram (split-offs), a IA conseguiu identificar e limpar cerca de 40% dos casos confusos (especialmente na região central do detector). Isso é difícil porque essas partículas se parecem muito com o sinal real, mas a IA está aprendendo a distinguir os detalhes sutis.

Resumo Final

Em vez de tentar consertar a bagunça depois que ela acontece, os cientistas estão usando uma Inteligência Artificial inteligente que "lê" o padrão de luz no detector como se fosse uma rede social. Ela identifica o que é ruído e o remove antes de tentar agrupar as partículas.

Isso significa que, no futuro, o detector do Belle II verá o universo com muito mais clareza, permitindo descobrir segredos da física que antes estavam escondidos atrás de um muro de ruído e confusão. É como trocar uma câmera embaçada por uma lente de alta definição que sabe exatamente o que focar.

Resumo técnico

Título: Uso de Redes Neurais em Grafos para Agrupamento Hadrônico e Redução de Fundo de Feixe no Calorímetro Eletromagnético do Belle II

Data: 23 de abril de 2026 (Nota: O documento apresenta uma data futura, indicando que se trata de um trabalho prospectivo ou de simulação de cenários futuros do experimento).
Autores: Jonas Eppelt e Torben Ferber (Instituto de Física de Partículas Experimental, KIT, Alemanha).

---

1. O Problema

O experimento Belle II, localizado no acelerador SuperKEKB no Japão, atingiu luminosidades instantâneas recorde (próximas a $5 \times 10^{34} \text{ cm}^{-2}\text{s}^{-1}$). O Calorímetro Eletromagnético (ECL) do detector, composto por 8.736 cristais cintiladores CsI(Tl), enfrenta dois desafios principais decorrentes dessas altas taxas de luminosidade e da natureza das interações hadrônicas:

1. Aumento do Fundo de Feixe (Beam Background): O aumento da luminosidade elevou as taxas de processos de fundo (espalhamento com gás residual, efeito Touschek, espalhamento Bhabha radiativo, radiação síncrotron). Isso resulta em um número maior de cristais com deposição de energia e um aumento na energia total medida, degradando a resolução de energia de fótons e gerando "clusters" de fótons falsos.
2. Complexidade das Interações Hadrônicas: Diferente de partículas eletromagnéticas ($\gamma, e^\pm$), os hádrons produzem deposições de energia irregulares e, por vezes, desconectadas no calorímetro. Isso gera "split-offs" (partículas secundárias, como nêutrons, que viajam distâncias significativas antes de interagir novamente), criando clusters separados que o algoritmo atual não consegue atribuir corretamente ao processo original.

O algoritmo de agrupamento (clustering) atual baseia-se na identificação de Máximos Locais (LM - Local Maxima). O aumento excessivo de LMs devido ao fundo e às interações hadrônicas causa:

• Aumento do tempo de processamento (runtime).
• Aumento do tamanho dos arquivos de dados.
• Divisão acidental de clusters reais (quando o fundo cria um segundo LM).
• Dificuldade em análises que dependem do balanço de energia conhecido da colisão.

2. Metodologia

Os autores propõem uma abordagem baseada em Redes Neurais em Grafos (GNN) para classificar e remover LMs indesejados antes da etapa de agrupamento (clustering).

2.1 Definição de Alvos de Treinamento (Rótulos)

Utilizando o framework de simulação do Belle II (basf2) e Geant4, os autores classificam os LMs em categorias distintas para criar os rótulos de treinamento:

• Fundo de Feixe: LMs com menos de 20 MeV depositados por partículas simuladas.
• LMs Duplicados: LMs não associados a nenhuma partícula simulada.
• Split-offs: Partículas secundárias criadas em interações hadrônicas que viajam longas distâncias antes de interagir novamente.
• Sinal: LMs associados a partículas primárias ou descendentes diretos (como $\pi^0$, $K^0_S$).

Definição de Split-offs: O trabalho introduz critérios novos para armazenar partículas secundárias que normalmente seriam atribuídas ao pai, especificamente aquelas com energia cinética acima de um limiar ($E_{kin} > E_{thr}$) e que se originam em regiões internas ou externas do detector com distâncias de vértice específicas.

2.2 Arquitetura do Modelo (GNN)

• Representação de Dados: O calorímetro é representado como um grafo onde os nós são cristais com medição de energia.
• Entrada: Para cada LM, é construído um grafo com vizinhos até a 5ª ordem (uma área de $9 \times 9$ cristais no barril).
• Features dos Nós: Energia medida, tempo, informações detalhadas do ajuste de forma de pulso (pulse-shape fit) e massa do cristal (para geometria).
• Arquitetura:
  • Uso de camadas de troca global (global exchange) e normalização em lote (BatchNorm).
  • Blocos de passagem de mensagens (message passing) com conexões residuais (skip connections).
  • Uso de uma camada modificada de GravNet (sem cálculo de K-vizinhos mais próximos, usando arestas pré-calculadas e não ponderadas entre todos os nós, pois os grafos são pequenos). Isso acelera o treinamento e melhora a estabilidade.
  • Pooling global médio para criar embeddings do grafo, seguido por camadas feed-forward para classificação.
• Treinamento: Utilizado 20.000 eventos de $\Upsilon(4S) \to B\bar{B}$ e 10.000 eventos de $e^+e^- \to \phi\gamma$. A função de perda utilizada foi o Erro Quadrático Médio (MSE), que mostrou maior estabilidade que a entropia cruzada binária neste caso. Foi aplicado Stochastic Weighted Averaging (SWA) após 100 épocas.

2.3 Determinação do Limiar (Threshold)

O ponto de operação do classificador foi definido para manter uma taxa de rejeição de sinal fixa de 5%. Os limiares são calculados em bins de energia e separadamente para as três regiões do detector (Forward, Barrel, Backward), aplicando-se apenas a LMs com energia entre 20 e 100 MeV.

3. Resultados Principais

A avaliação foi realizada em eventos simulados de $\Upsilon(4S) \to B\bar{B}$ com sobreposição de fundo de feixe.

• Rejeição de Fundo de Feixe: O classificador consegue remover até 95% dos LMs induzidos por fundo de feixe, mantendo 95% de eficiência para o sinal.
• Rejeição de Split-offs e Clusters Divididos Erroneamente: A rejeição é mais desafiadora devido à similaridade física com o sinal.
  • Na região do Barril (Barrel) acima de 50 MeV, alcança-se uma taxa de rejeição de aproximadamente 40%. A precisão acima de 50 MeV deve-se à maior confiabilidade do ajuste de forma de pulso para obter informações de tempo precisas.
  • Nas regiões de extremidade (Endcaps), especialmente a traseira (Backward), a eficiência de rejeição é menor devido aos altos níveis de fundo que dificultam a separação do sinal verdadeiro.
• Eficiência Global: Ao médio, para todos os tipos de fundo, a rejeição é de cerca de 75% em baixas energias de LM, caindo para ~30% no barril/forward (onde o fundo de feixe é menor em relação a outras fontes) e mantendo-se entre 50-60% na região traseira.

4. Contribuições e Significância

• Solução para Escalabilidade: A abordagem baseada em GNN lida nativamente com a esparsidade dos dados (apenas cristais com energia são nós) e com a geometria assimétrica do detector, resolvendo problemas de desempenho computacional e de precisão do algoritmo atual.
• Melhoria na Reconstrução: Ao remover LMs de fundo antes do clustering, o método reduz clusters falsos, melhora a resolução de posição de hádrons neutros e previne a divisão acidental de clusters físicos.
• Importância da Simulação Detalhada: O trabalho destaca que a definição precisa de rótulos de treinamento (especialmente a distinção entre partículas "split-off" e sinal) é crucial para o sucesso do modelo.
• Futuro: Os resultados promovem o uso de GNNs não apenas para limpeza de dados, mas também para previsões futuras de energia de clusters no Belle II.

Em suma, o artigo demonstra que a aplicação de GNNs para a pré-seleção de LMs é uma estratégia eficaz para mitigar os efeitos do aumento de luminosidade e da complexidade hadrônica no detector Belle II, garantindo a qualidade dos dados para análises de física de precisão.