⚛️ phenomenology

Boosted top tagging via lepton-in-jet topology for vector-like quark searches in FCC-hh

Este artigo apresenta um framework baseado em aprendizado de máquina para identificar quarks top altamente impulsionados (boosted), com decaimento leptônico, no FCC-hh de 100 TeV, demonstrando que tanto os classificadores baseados em variáveis quanto os baseados em constituintes alcançam desempenho comparável e permitindo uma busca por quarks vetoriais de tipo $B'$ com um alcance de descoberta de até 10 TeV.

Autores originais: Sanchari Bhattacharyya, Biplob Bhattacherjee, Kirana K. K., Swagata Mukherjee

Publicado 2026-10-06

📖 4 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Sanchari Bhattacharyya, Biplob Bhattacherjee, Kirana K. K., Swagata Mukherjee

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

O universo é construído a partir de um pequeno conjunto de partículas fundamentais que interagem através de forças, uma estrutura conhecida como Modelo Padrão. Este modelo tem sido incrivelmente bem-sucedido, prevendo o comportamento da matéria com extrema precisão e confirmando a existência do bóson de Higgs. No entanto, ele deixa grandes questões sem resposta, como a natureza da matéria escura e o porquê de os neutrinos terem massa. Para encontrar respostas, os físicos procuram por novas partículas, mais pesadas, que não se encaixam no modelo atual. Estas partículas hipotéticas, se existirem, seriam demasiado massivas para serem criadas pelo colisor de partículas mais poderoso de hoje. Para as ver, os cientistas estão a planear uma máquina futura chamada Future Circular Collider, que irá colidir protões a energias muito superiores ao que é atualmente possível.

Quando estas novas partículas pesadas são criadas numa colisão como esta, espera-se que decaiam quase instantaneamente em partículas mais leves e conhecidas. Um candidato promissor para uma nova partícula pesada é um quark vetorial, um tipo de matéria que se comporta de forma diferente dos quarks que compõem o nosso mundo quotidiano. Se tal partícula existir, poderá decair num quark top e num bóson W. O quark top é a partícula mais pesada conhecida e, quando é produzido com uma energia imensa, move-se tão depressa que os seus produtos de decaimento são esmagados num único fluxo estreito. Isto cria um desafio único: o quark top decai num quark bottom, um neutrino e uma partícula carregada, como um eletrão ou múon. Como o quark top se move tão depressa, a partícula carregada acaba por ficar presa dentro do fluxo de detritos, tornando difícil distingui-la do ruído de fundo da colisão.

Uma equipa de investigadores desenvolveu um novo método para identificar estes quarks top de alta velocidade específicos utilizando aprendizagem automática. Eles focaram-se num cenário onde um quark vetorial pesado decai num quark top e num bóson W, com ambos os partículas a produzirem eventualmente partículas carregadas. Neste evento, uma partícula carregada provém do bóson W e está isolada, enquanto a outra provém do quark top e está enterrada dentro de um jato de partículas. Os investigadores treinaram dois tipos diferentes de inteligência artificial para detetar esta partícula enterrada. Um sistema analisou uma lista de propriedades calculadas, tais como a energia e a posição das partículas, enquanto o outro sistema examinou as partículas individuais, tal como um humano examinaria os detalhes de uma fotografia. Eles testaram estes sistemas contra vários tipos de ruído de fundo, incluindo jatos feitos de quarks bottom e outras partículas pesadas que também contêm partículas carregadas.

Os resultados mostraram que ambas as abordagens de aprendizagem automática foram altamente eficazes na deteção dos quarks top enterrados. O sistema que examinou as partículas individuais teve um desempenho ligeiramente superior em energias mais baixas, enquanto o sistema que utilizou propriedades calculadas teve um desempenho igualmente bom nas energias mais altas. Isto é significativo porque prova que, mesmo quando as partículas estão tão comprimidas que são difíceis de separar, o padrão geral de energia e movimento ainda detém a chave para a identificação. Os investigadores utilizaram então estas ferramentas para simular uma procura pelo quark vetorial pesado no futuro colisor. Eles descobriram que, com dados suficientes, o colisor poderia descobrir esta nova partícula se esta pesar até sete triliões de eletrões-volts, uma massa muito além do que as máquinas atuais conseguem alcançar. Se a partícula for ligeiramente mais larga ou menos estável, a procura pode estender-se até dez triliões de eletrões-volts.

O estudo também abordou uma preocupação prática para futuros experiências: a presença de "pile-up", onde muitas colisões extra acontecem ao mesmo tempo e criam uma confusão de partículas extra. Os investigadores testaram se o seu método ainda funcionaria se ignorassem as partículas mais suaves e lentas que o pile-up tende a produzir. Eles descobriram que o poder de identificação permaneceu forte mesmo quando se focaram apenas nas trajetórias mais energéticas. Isto sugere que o método é robusto o suficiente para lidar com o ambiente caótico de um futuro colisor de alta energia. Ao combinar estas ferramentas de marcação avançadas com uma análise mais ampla de todo o evento de colisão, a equipa demonstrou um caminho claro para descobrir nova física. O seu trabalho fornece uma estratégia concreta sobre como os cientistas poderão finalmente ver estas partículas pesadas e elusivas quando a próxima geração de colisores estiver operacional.

Resumo Técnico: Boosted Top Tagging via Lepton-in-Jet Topology para Pesquisas de Quarks Vetoriais-Like em FCC-hh

Definição do Problema
A busca por física Além do Modelo Padrão (BSM), especificamente Quarks Vetoriais-Like (VLQs), no Futuro Colisor Circular em modo hádrons-hádrons (FCC-hh) operando a $\sqrt{s} = 100$ TeV, enfrenta um desafio único: o regime cinemático extremo. Quando ressonâncias pesadas (ex: um VLQ do tipo bottom, $B'$ ) decaem em quarks top, os quarks top resultantes são altamente impulsionados (boosted). Neste regime, os produtos de decaimento do quark top ( $t \to b\ell\nu$ ) tornam-se altamente colimados, frequentemente fundindo-se em um único jato. Especificamente, o lépton carregado do decaimento do top está incorporado no cone do jato do top, falhando nos critérios de isolamento padrão. Esta topologia "lepton-in-jet" complica a identificação de jatos de top leptônicos contra backgrounds como jatos de top hadrônicos, jatos de sabor pesado ( $b$ e $c$ ) contendo léptons não isolados de decaimentos semiletônicos, e jatos de sabor leve. Além disso, o neutrino escapa da detecção, limitando a reconstrução cinemática. O artigo investiga se arquiteturas de aprendizado de máquina (ML) baseadas em constituintes retêm seu poder de discriminação neste regime ultra-boosted em comparação com abordagens tradicionais baseadas em variáveis.

Metodologia
O estudo emprega um framework de ML de dois níveis para identificar jatos de top leptônicos impulsionados e realizar uma busca de nível de evento para produção única de $B'$ ( $pp \to B'j \to tWj$ ).

Framework Teórico e Benchmarking:
- A análise foca em um VLQ do tipo bottom $SU(2)$ singlete ( $B'$ ) com números quânticos $(3, 1, -1/3)$ .
- O modelo é definido por dois parâmetros livres: a força de acoplamento $\tilde{g}$ e o parâmetro de mistura $R_L$ (que governa o acoplamento com quarks de 1ª vs. 3ª geração).
- Um ponto de referência (benchmark) é selecionado ( $\tilde{g}=0.07, R_L=1.0$ ) para satisfazer a restrição de largura $\Gamma_{B'}/m_{B'} < 25\%$ enquanto maximiza a seção de choque de produção única.
- Eventos de sinal são gerados usando MadGraph5_aMC@NLO e PYTHIA 8, interfacados com Delphes 3.5.0 usando um cartão de detector FCC-hh.
Leptonic-Top Jet Tagger (Nível de Objeto):
- Definição de Sinal: Jatos contendo um lépton não isolado de alto $p_T$ ( $p_T > 100$ GeV) originado de $t \to b\ell\nu$ .
- Backgrounds: Jatos de top hadrônicos ( $t_{had}$ ), jatos $b$ e jatos $c$ .
- Abordagens: Dois classificadores complementares são treinados separadamente em sete bins de $p_T$ $p_{T}$ de lépton (0.1 TeV a $>3$ $> 3$ TeV):
  - DNN baseada em Variáveis: Utiliza um conjunto de observáveis de alto nível motivados pela física, incluindo cinemática de lépton, variáveis baseadas em trilhas (tracks) (trilhas deslocadas, parâmetros de impacto), variáveis de isolamento baseadas em torres (towers) e subestrutura de jato (N-subjettiness, massa do jato).
  - Particle Transformer (ParT) baseado em Constituintes: Opera diretamente nos constituintes individuais do jato (lépton, trilhas, torres de calorímetro) usando uma arquitetura de transformer com mecanismos de autoatenção para aprender correlações entre partículas.
- Treinamento: Os classificadores distinguem a classe de sinal ( $t_{lep}$ ) das três classes de background.
Análise de Nível de Evento:
- Uma segunda DNN é empregada para a discriminação sinal-background no nível do evento.
- Características de Entrada: Variáveis cinemáticas globais ( $H_T$ , $E_T^{miss}$ , massa invariante de dileptons), cinemática específica de lépton e os scores de saída dos classificadores de jato de nível de objeto.
- Topologia: Eventos são selecionados com exatamente um lépton isolado (do $W$ ) e um lépton não isolado (do $t$ ), além de energia transversal faltante significativa.
- Backgrounds: Processos do Modelo Padrão incluindo $t\bar{t}$ , $tW$ , $VV$ , $W$ +jet e produção de sabor pesado.

Principais Contribuições

Validação de ML Baseado em Constituintes em Regimes Ultra-Boosted: O artigo demonstra que arquiteturas baseadas em constituintes (ParT) permanecem altamente eficazes mesmo quando os produtos de decaimento estão colimados, alcançando desempenho comparável ou superior aos DNNs de variáveis engenheiradas.
Conjunto de Características Abrangente: O desenvolvimento de um conjunto específico de variáveis (incluindo trilhas deslocadas e isolamento de torres) adaptado para a assinatura "lepton-in-jet", que é distinta do top tagging padrão.
Testes de Robustez: O estudo inclui análises de sensibilidade em relação à atividade de trilhas suaves (simulando efeitos de pile-up) e comparações com Redes Neurais de Grafos (GNNs) restritas a entradas apenas de trilhas.
Aplicação de Detecção de Anomalias: Os autores exploram o uso de representações pré-treinadas de ParT em um framework DeepSVDD para detecção de anomalias de classe única, mostrando potencial para identificar topologias de jato incomuns sem treinamento explícito de background.

Resultos

Desempenho do Tagger de Jato:
- Tanto o DNN quanto o ParT alcançam altas eficiências de marcação para tops leptônicos (93–97%).
- O ParT geralmente supera o DNN em $p_T$ baixo e intermediário (AUC 0.994–0.997 vs. 0.981–0.996).
- Em $p_T$ muito alto ( $>2$ TeV), as taxas de erro (mistag rates) de background do DNN tornam-se ligeiramente menores que as do ParT, sugerindo que observáveis engenheirados retêm poder significativo no limite ultra-boosted onde a resolução de constituintes é desafiadora.
- Em comparações apenas de trilhas, o ParT (AUC 0.981) supera significativamente a GNN (0.964) e o DNN (0.942), destacando o valor dos mecanismos de atenção em capturar correlações de trilhas.
Sensibilidade de Nível de Evento:
- A DNN de nível de evento atinge um AUC de 0.994 para distinguir o sinal $B'$ ( $m_{B'}=5$ TeV) dos backgrounds do SM.
- A análise assume uma luminosidade integrada de 30 ab $^{-1}$ .
- Alcance de Descoberta:
  - Sob a restrição de largura $\Gamma_{B'}/m_{B'} < 25\%$ , uma descoberta de $5\sigma$ é alcançável para massas de $B'$ de até ~7 TeV (mesmo com 10% de incerteza sistemática de background).
  - Relaxando a restrição de largura para $\Gamma_{B'}/m_{B'} \lesssim 50\%$ , o alcance de descoberta estende-se para ~10 TeV.
  - Para $m_{B'} = 10$ TeV, a seção de choque mínima necessária para descoberta de $5\sigma$ é 0.054 fb (apenas estatística) e 0.28 fb (com 10% de sistemáticas).

Significância e Alegações
O artigo alega que o framework proposto fornece uma estratégia realista e eficaz para descobrir quarks vetoriais-like de multi-TeV no FCC-hh. Ao identificar com sucesso a topologia específica "lepton-in-jet", os autores preenchem a lacuna entre as técnicas padrão de top-tagging e a cinemática extrema de futuros colidores. O trabalho enfatiza que, embora o ML baseado em constituintes (ParT) ofereça desempenho superior na captura de correlações complexas, abordagens baseadas em variáveis motivadas pela física permanecem robustas e competitivas, particularmente nas escalas de energia mais altas. A integração de classificação de nível de objeto com classificação de nível de evento permite a supressão de backgrounds dominantes do SM (como $t\bar{t}$ e $tW$ ) a um nível onde ressonâncias pesadas podem ser descobertas, mesmo na presença de incertezas sistemáticas. O estudo também destaca a utilidade dessas ferramentas de ML para detecção de anomalias, oferecendo um caminho menos dependente de modelos para buscas de nova física.

Mais como este