⚛️ high-energy experiments

Model-independent searches and anomaly detection at the CMS experiment

Este artigo apresenta a busca independente de modelo para nova física do experimento CMS usando detecção de anomalias baseada em aprendizado de máquina em 138 fb $^{-1}$ de dados de 13 TeV, destacando a recuperação não supervisionada bem-sucedida de quarks top e a implementação em tempo real de algoritmos não supervisionados no gatilho de nível 1 durante 2024.

Autores originais: Tamas Almos Vami, for the CMS Collaboration

Publicado 2026-09-29

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Tamas Almos Vami, for the CMS Collaboration

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Por mais de uma década, o acelerador de partículas mais poderoso do mundo tem colidido prótons a velocidades próximas à da luz, buscando os blocos de construção de um universo que se estende além do nosso entendimento atual. Os cientistas há muito suspeitam que o Modelo Padrão, a teoria que descreve com sucesso toda a matéria e forças conhecidas, esteja incompleto. Eles esperam encontrar novas partículas ou forças ocultas que possam explicar mistérios como a matéria escura ou o porquê de o universo existir. No entanto, apesar da descoberta do bóson de Higgs, nenhuma nova partícula elementar apareceu nos dados. Esse silêncio forçou os pesquisadores a repensar sua estratégia. Em vez de construir uma rede específica para capturar um peixe que eles acham que pode estar lá, eles agora estão tentando capturar qualquer coisa incomum que passe nadando, independentemente de como seja. Essa mudança baseia-se em uma ideia poderosa: se o universo é cheio de padrões familiares, então qualquer coisa que quebre esses padrões vale a pena ser investigada, mesmo que ainda não saibamos o que é.

Os pesquisadores do experimento Compact Muon Solenoid, ou CMS, no CERN, abraçaram essa abordagem usando aprendizado de máquina para caçar anomalias. Em um estudo recente, eles aplicaram essa técnica a um conjunto massivo de dados de 138 fb⁻¹ de dados de colisão próton-próton registrados a uma energia de 13 trilhões de elétron-volts. A equipe focou em um tipo específico de colisão onde dois jatos de alta energia de partículas, conhecidos como jets, voam em direções opostas. Na grande maioria desses eventos, os jatos são formados por partículas comuns como quarks ou glúons, criando um spray previsível e desordenado. Os cientistas procuraram por jatos que fossem diferentes — aqueles que carregassem uma estrutura interna complexa, talvez contendo partículas mais pesadas ou múltiplas camadas de decaimento, o que os faria se destacar do fundo comum. Eles não assumiram o que essas novas partículas poderiam ser, nem adivinharam sua massa ou como elas interagiam. Eles simplesmente pediram ao computador para aprender como é um jato normal e, então, sinalizar qualquer coisa que não se encaixasse no padrão.

Para garantir que esse método funcionasse, a equipe primeiro testou-o em dados onde a resposta já era conhecida. Eles pediram ao algoritmo para encontrar o quark top, uma partícula pesada que é bem compreendida, mas difícil de detectar em um mar de jatos comuns. Sem ser informada sobre o que era um quark top ou receber quaisquer rótulos para identificá-lo, o sistema de aprendizado de máquina isolou com sucesso eventos contendo essas partículas. Ele as encontrou ao notar que sua estrutura interna era distinta do restante. Essa validação provou que o sistema poderia reconhecer algo novo sem um roteiro pré-escrito. Quando os pesquisadores aplicaram a mesma lógica ao conjunto completo de dados de 138 fb⁻¹ de dados de colisão próton-próton, eles escanearam por qualquer excesso localizado de eventos estranhos que pudesse sinalizar uma nova ressonância, ou uma partícula pesada decaindo em duas mais leves.

Os resultados foram um testemunho do poder dessa busca independente de modelo, mas também confirmaram o contínuo silêncio do universo em relação à nova física. Os cinco métodos diferentes de aprendizado de máquina usados no estudo tiveram todos um desempenho superior às buscas tradicionais que procuram por tipos específicos de assinaturas de partículas. Eles foram capazes de detectar anomalias sutis que métodos antigos teriam perdido, particularmente em cenários complexos onde uma partícula pesada poderia se fragmentar em muitos pedaços menores. No entanto, apesar desse aumento de sensibilidade, nenhum método único encontrou um desvio do fundo esperado que fosse forte o suficiente para reivindicar uma descoberta. As flutuações mais significativas que viram foram consistentes com ruído estatístico aleatório, e não com uma nova partícula. A equipe estabeleceu novos limites para o que tipos de novas partículas poderiam existir, efetivamente descartando certas possibilidades em faixas de massa onde nenhuma outra busca havia olhado antes.

Além da análise offline de dados registrados, o experimento levou essa tecnologia para o reino da tomada de decisão em tempo real. O Grande Colisor de Hádrons produz colisões a uma taxa de 40 milhões de vezes por segundo, rápido demais para operadores humanos ou computadores padrão revisarem cada evento individual. Normalmente, um sistema chamado trigger (gatilho) filtra a vasta maioria das colisões, mantendo apenas aquelas que parecem interessantes com base na física conhecida. A equipe do CMS agora instalou dois algoritmos de aprendizado de máquina não supervisionados diretamente no hardware que toma essas decisões de frações de segundo. Esses algoritmos, rodando em chips especializados, analisam os depósitos brutos de energia no detector sem qualquer conhecimento prévio do que procurar. Durante o período de coleta de dados de 2024 a uma energia de 13,6 TeV, esses sistemas selecionaram mais de quatro bilhões de eventos para armazenamento permanente, capturando processos raros e energéticos que os gatilhos convencionais poderiam ter descartado. Os dados coletados até agora mostram que o sistema está funcionando conforme o pretendido, destacando partículas bem conhecidas como o bóson Z e o méson J/psi, provando que a máquina pode identificar física interessante sem ser instruída sobre o que encontrar.

O objetivo final deste trabalho é expandir a busca para além apenas dos sprays de partículas dentro de um único jato para o evento inteiro. Ao observar a forma global de uma colisão, os cientistas esperam encontrar anomalias que são invisíveis ao olhar para partes individuais. Embora este estudo específico não tenha encontrado uma nova partícula, ele demonstrou com sucesso uma nova maneira de observar os dados. Mostrou que as ferramentas existem para encontrar o inesperado, mesmo em um universo que, até agora, permaneceu obstinadamente silencioso. Os pesquisadores passaram de propostas teóricas para aplicações práticas, validando seus métodos em dados reais e provando que podem caracterizar as propriedades de uma partícula apenas observando como ela difere de todo o resto. A busca continua, não por um fantasma específico, mas por qualquer sombra que não pertença ao lugar.

Resumo Técnico: Buscas independentes de modelo e detecção de anomalias no experimento CMS

Definição do Problema
Mais de uma década após a descoberta do bóson de Higgs, o Grande Colisor de Hádrons (LHC) não observou partículas elementares adicionais. O espaço de teorias que estendem o Modelo Padrão (SM) é vasto, contudo, o programa experimental historicamente dependeu de buscas dedicadas otimizadas para hipóteses específicas. Essa abordagem inerentemente deixa lacunas: não consegue cobrir todas as assinaturas concebíveis, e sinais com seções de choque abaixo do alcance de buscas inclusivas permanecem não detectados. O artigo postula que a comunidade pode estar negligenciando nova física ao focar excessivamente em modelos específicos.

Metodologia
A Colaboração CMS emprega aprendizado de máquina (ML) para implementar a detecção de anomalias, uma estratégia que questiona se os dados contêm eventos incomuns em relação ao restante do conjunto de dados, em vez de testar a compatibilidade com uma hipótese de sinal específica. O artigo detalha três direções primárias deste programa:

Análise de Subestrutura de Dijets Offline:
- Conjunto de Dados: 138 fb⁻¹ de dados de colisão próton-próton a $\sqrt{s} = 13$ TeV (2016–2018).
- Alvo: Uma ressonância pesada estreita $A$ decaindo em duas ressonâncias mais leves $B$ e $C$ , que decaem hadronicamente. A análise assume $m_B, m_C \ll m_A$ , resultando em jatos de raio grande com subestrutura (por exemplo, múltiplos prongs, conteúdo de sabor pesado) atípicos dos backgrounds de multijetes QCD.
- Cinco Métodos Complementares: A análise implanta cinco métodos abrangendo três paradigmas de aprendizado:
  - Não Supervisionado (VAE-QR): Um Autoencoder Variacional (VAE) treinado em dados dominados por background reconstrói bem os jatos QCD, mas falha em jatos anômalos. Uma rede de Regressão de Quantis (QR) define o limiar de pontuação de anomalia como uma função da massa do dijet ( $m_{jj}$ ) para preservar a forma do espectro de background.
  - Fracamente Supervisionado (CWoLa Hunting, TNT, CATHODE): Estes utilizam o paradigma de "classificação sem rótulos", treinando classificadores para separar duas amostras mistas (uma potencialmente enriquecida com sinal, outra dominada por background).
    - CWoLa Hunting utiliza sidebands de uma janela de $m_{jj}$ deslizante.
    - TNT utiliza um autoencoder não supervisionado em um jato para enriquecer a amostra de treinamento para o outro.
    - CATHODE (e CATHODE-b) aprende a densidade condicional do background usando fluxos de normalização fora da janela de sinal e interpola para dentro da janela para amostrar o background sintético.
  - Semi-supervisionado (QUAK): Utiliza fluxos de normalização treinados em sinais simulados para codificar um prior frouxo sobre a aparência de anomalias, combinado com um fluxo de background para poder de rejeição.
- Seleção: Cada método atribui uma pontuação de anomalia aos eventos; os 1% de eventos mais anômalos são retidos. O espectro de massa do dijet desses eventos é varrido em busca de excessos localizados contra um ajuste de background paramétrico.
Detecção de Anomalias em Tempo Real (Gatilho de Nível-1):
- Implementação: Dois algoritmos não supervisionados rodam em FPGAs dentro do gatilho de Nível-1 (L1) do CMS, operando a 40 MHz com latência de microssegundos.
- AXOL1TL: Um Autoencoder Variacional rodando no gatilho global em objetos reconstruídos (múons, jatos, somas de energia).
- CICADA: Um Autoencoder Convolucional rodando no gatilho do calorímetro, pontuando depósitos de energia antes da reconstrução de objetos. Ele utiliza destilação de conhecimento de uma rede professora para uma rede estudante menor.
- Treinamento: Ambos são treinados em dados de zero-bias, garantindo que nenhuma hipótese de sinal influencie o treinamento.
Detecção de Anomalias ao Nível do Evento:
- O artigo descreve uma extensão para topologias de "dois objetos mais X". Uma ressonância decaindo em duas partículas do SM fornece a variável de massa para uma busca de bump, enquanto a atividade restante ( $X$ ) é analisada usando variáveis fisicamente motivadas derivadas da geometria do espaço de fase da colisão.

Principais Contribuições e Resultados

Validação Offline e Sensibilidade:
- Validação: O procedimento fracamente supervisionado foi validado em dados recuperando o quark top ( $t\bar{t}$ ) em uma amostra de jato de massa inferior sem usar rótulos de verdade. O classificador isolou com sucesso uma contribuição clara de $t\bar{t}$ na região de "pass", com uma significância superior a $10\sigma$ .
- Interpretação: A análise de importância de característica por permutação nos eventos anômalos identificou corretamente as propriedades do quark top (massa do jato $\approx 173$ GeV, presença de um quark $b$ , e estrutura de três prongs) apenas a partir da pontuação de anomalia, demonstrando a capacidade de caracterizar uma descoberta.
- Sensibilidade: Todos os cinco métodos de detecção de anomalias provaram ser mais sensíveis que uma busca de dijet inclusiva para sinais de benchmark de 2-prong e 3-prong. No entanto, permaneceram menos sensíveis que uma busca dedicada e específica de modelo (representada por uma configuração específica de QUAK), ilustrando um compromisso onde a generalidade é comprada a um custo modesto.
- Resultos de Busca: Nenhuma excesso significativo foi encontrado. As maiores significâncias locais ficaram abaixo de $3\sigma$ (variando de 2,2 a 2,9 $\sigma$ para CATHODE-b, QUAK, VAE-QR e CATHODE).
- Limites de Exclusão: Limites de exclusão de nível de confiança de 95% foram estabelecidos para modelos de benchmark (topologias de prong 2+2, 3+3, 4+2, 5+5, 6+6). Para a topologia de prong 6+6 ( $GKK \to HH \to 4t$ ), a seção de choque necessária para uma descoberta de $5\sigma$ foi reduzida por um fator de 6,4 em comparação com a busca inclusiva. Estes representam os primeiros limites deste tipo para muitos intervalos de massa onde não existe busca dedicada.
Desempenho em Tempo Real:
- Durante a coleta de dados de 2024 a $\sqrt{s} = 13,6$ TeV, AXOL1TL e CICADA selecionaram mais de quatro bilhões de eventos para armazenamento permanente, consumindo menos de 1% da taxa total de L1.
- Os dados selecionados são fisicamente sensíveis: o espectro de massa dimuon mostra claramente ressonâncias do SM ( $J/\psi$ e bóson $Z$ ), sendo que o bóson $Z$ , mais raro e energético, é realçado. Isso confirma que o algoritmo concentra-se em eventos que um físico consideraria interessantes sem conhecimento prévio de modelo.

Significância
O artigo afirma que as buscas independentes de modelo baseadas em detecção de anomalias transitaram com sucesso da proposta para a prática no CMS.

Offline: O programa demonstrou que métodos não supervisionados e fracamente supervisionados podem superar buscas inclusivas através de uma ampla gama de assinaturas de subestrutura e podem caracterizar as propriedades de um excesso (como mostrado com o quark top) sem rótulos.
Online: A implementação de algoritmos não supervisionados no gatilho L1 estabelece que a detecção de anomalias em tempo real é viável e eficaz na taxa total de colisão do LHC.
Mudança Estratégica: Coletivamente, esses desenvolvimentos marcam uma mudança de ênfase de procurar por modelos específicos para procurar por "qualquer coisa interessante", abordando as lacunas deixadas pelas buscas dedicadas tradicionais. O artigo conclui delineando os próximos passos: estender estas técnicas para observáveis ao nível do evento, utilização mais profunda de conjuntos de dados de gatilho e de scouting, e busca por assinaturas além de jatos.

Mais como este