Performance of heavy-flavour jet identification in the CMS high-level trigger in proton-proton collisions at $\sqrt{s}$ = 13.6 TeV

No coração da Organização Europeia para a Investigação Nuclear, conhecida como CERN, uma máquina chamada Grande Colisor de Hádrons colide prótons a velocidades que se aproximam da da luz. Essas colisões recriam as condições que existiam frações de segundo após o início do universo, produzindo uma chuva de novas partículas. Entre essas partículas, as mais importantes são os quarks pesados, especificamente as variedades bottom e charm. Quando esses quarks são criados, eles se transformam rapidamente em partículas mais pesadas que viajam uma distância minúscula antes de decair. Esse ligeiro atraso deixa uma marca distinta: um ponto de origem secundário que é ligeiramente deslocado do ponto principal da colisão. Os físicos chamam isso de vértice deslocado. Identificar jets — jatos de partículas que se originam desses quarks pesados — é essencial para muitos experimentos, particularmente na busca pelo bóson de Higgs, uma partícula que confere massa a outras. O bóson de Higgs frequentemente decai nesses quarks pesados, tornando a capacidade de detectá-los uma habilidade crítica para compreender as leis fundamentais da natureza. No entanto, o universo também produz um vasto número de jets provenientes de partículas mais leves, criando um ruído de fundo que pode facilmente esconder os sinais raros que os cientistas procuram.

O desafio para os pesquisadores no CERN não é apenas encontrar esses quarks pesados, mas encontrá-los rápido o suficiente para acompanhar a máquina. O Grande Colisor de Hádrons produz colisões a uma taxa de 40 milhões de vezes por segundo. É impossível salvar dados de cada evento individual; os sistemas de armazenamento simplesmente não conseguem lidar com esse volume. Em vez disso, um sofisticado sistema de filtragem, chamado trigger (gatilho), deve decidir em uma fração de microssegundo quais colisões são interessantes o suficiente para serem mantidas e quais devem ser descartadas. Este sistema atua como um porteiro, reduzindo o enorme fluxo de dados para alguns milhares de eventos por segundo gerenciáveis. Durante anos, este porteiro dependeu de métodos estabelecidos para distinguir entre jets de quarks pesados e aqueles de partículas mais leves. Mas, à medida que o colisor se tornou mais poderoso, produzindo mais colisões e mais ruído de fundo, os métodos antigos começaram a ter dificuldades. Eles não eram sensíveis o suficiente para capturar os eventos raros e interessantes sem deixar passar muito ruído, ou tinham que ser configurados de forma tão estrita que perdiam dados valiosos.

Para resolver isso, a colaboração CMS, um dos dois principais experimentos no colisor, desenvolveu uma nova geração de ferramentas para o seu sistema de trigger de alto nível. Este sistema opera em um farm de processadores de computador padrão e é responsável pela seleção final e mais detalhada dos eventos. A equipe introduziu um novo tipo de algoritmo baseado em deep learning (aprendizado profundo), uma forma de inteligência artificial que imita a maneira como o cérebro humano aprende a reconhecer padrões. Especificamente, eles utilizaram uma técnica chamada rede neural convolucional de grafo dinâmica. Em termos simples, este algoritmo trata as partículas dentro de um jet não como uma lista simples, mas como uma teia ou grafo conectado. Ele observa como cada partícula se relaciona com suas vizinhas, analisando a estrutura complexa do jato para determinar sua origem. Essa abordagem permitiu ao sistema perceber diferenças sutis entre um jet feito de quarks pesados e um feito de partículas mais leves que os métodos anteriores não conseguiam detectar.

Os pesquisadores testaram esses novos algoritmos usando dados coletados de colisões próton-próton em um nível de energia de 13,6 tera-elétron-volts, um recorde para a máquina. Eles focaram em duas tarefas principais: identificar jets de quarks bottom e jets de quarks charm. Os resultados mostraram uma melhoria significativa. O novo sistema pôde identificar jets de quarks bottom com uma precisão muito maior, enquanto simultaneamente rejeitava o fundo de jets leves de forma muito mais eficaz do que a geração anterior de ferramentas. Isso significou que o trigger poderia ser configurado para ser mais inclusivo, mantendo mais dos eventos raros que os cientistas desejam estudar sem ser sobrecarregado pelo ruído. Talvez ainda mais importante, o novo sistema tornou possível identificar jets de quarks charm com alta eficiência pela primeira vez neste sistema de filtragem online. Isso abriu as portas para o estudo de processos envolvendo quarks charm que eram anteriormente difíceis de isolar em tempo real.

O impacto dessas melhorias foi imediato e mensurável em várias áreas fundamentais da física. Um grande sucesso foi na busca por pares de bósons de Higgs decaindo em quatro quarks bottom. Este é um processo raro que ajuda os físicos a entender como o bóson de Higgs interage consigo mesmo. Os novos triggers permitiram que o experimento coletasse dados sobre esses eventos com muito mais eficiência, efetivamente dobrando o número de eventos úteis capturados em certas faixas de energia em comparação com a configuração anterior. Da mesma forma, o sistema melhorou a capacidade de estudar o bóson de Higgs quando ele é produzido ao lado de um par de quarks top, outro canal crucial para entender as propriedades da partícula. As novas ferramentas também possibilitaram uma busca dedicada pelo bóson de Higgs decaindo em quarks charm, um processo que tinha sido quase impossível de acionar via trigger no passado devido ao fundo esmagador. Ao reduzir os limiares de energia necessários para salvar um evento, o novo sistema permitiu que os físicos explorassem regiões de baixa energia que eram anteriormente inacessíveis.

A equipe também desenvolveu uma versão especializada deste algoritmo para lidar com partículas de alta energia que decaem tão rapidamente que seus produtos se fundem em um único e grande jato. Isso é comum quando partículas muito pesadas são produzidas e viajam em altas velocidades. O novo sistema pôde identificar esses jets fundidos com alta precisão, expandindo ainda mais o alcance do experimento. Ao longo do período de coleta de dados, os pesquisadores monitoraram continuamente o desempenho desses algoritmos, comparando suas previsões com os dados reais coletados. Eles descobriram que as simulações de computador usadas para projetar o sistema correspondiam muito de perto aos dados do mundo real, confirmando que as novas ferramentas eram confiáveis e estáveis ao longo do tempo. O sistema manteve seu alto desempenho mesmo conforme o número de colisões simultâneas na máquina aumentava, uma condição conhecida como pileup, que frequentemente confunde detectores mais simples.

Ao final do período de coleta de dados, os novos triggers tornaram-se o padrão para o experimento. Eles foram adotados para a análise de centenas de terabytes de dados, contribuindo diretamente para a melhoria da sensibilidade em buscas por nova física. O trabalho demonstrou que técnicas avançadas de machine learning poderiam ser implementadas com sucesso no ambiente de milissegundos de um trigger de física de partículas, um feito que outrora era considerado computacionalmente exigente demais. O sucesso deste projeto significa que o experimento CMS pode agora enxergar mais profundamente nos dados, encontrando sinais que antes estavam escondidos no ruído. Essa capacidade é essencial para o futuro da área, à medida que o colisor continua a operar em intensidades mais altas, expandindo as fronteiras do que é conhecido sobre os blocos fundamentais de construção do universo. A habilidade de distinguir o pesado do leve, o raro do comum, em tempo real, tornou-se um pilar da física de partículas moderna, garantindo que nenhuma descoberta potencial seja perdida pelas limitações do filtro.