⚛️ high-energy experiments

Local Diagnostics of Learned Event Representations for Anomaly Detection at the HL-LHC

Este artigo avalia estratégias de incorporação neural supervisionadas e autossupervisionadas para detecção de anomalias no HL-LHC utilizando o conjunto de dados COLLIDE-2V, demonstrando que abordagens supervisionadas superam outras e introduzindo um pipeline de diagnóstico local que perfila eventos sinalizados e classifica observáveis para preencher a lacuna entre a detecção agnóstica ao modelo e a interpretação física.

Autores originais: Donatella Genovese, Philip Ploner, Simone Scardapane, Stefano Giagu, Thea Klaeboe Aarrestad

Publicado 2026-10-12

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Donatella Genovese, Philip Ploner, Simone Scardapane, Stefano Giagu, Thea Klaeboe Aarrestad

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

Na borda do universo conhecido, dentro de uma máquina do tamanho de uma pequena cidade, prótons colidem uns contra os outros quase à velocidade da luz. Este é o Grande Colisor de Hádrons, um laboratório onde físicos esperam encontrar rachaduras no Modelo Padrão, o livro de regras que descreve como as partículas fundamentais da natureza se comportam. Na maioria das vezes, essas colisões produzem uma dispersão familiar de partículas que os físicos já viram milhares de vezes antes. Mas, ocasionalmente, algo estranho acontece: uma colisão produz um padrão de detritos que não se encaixa no livro de regras. Encontrar esses eventos anômalos e raros é como procurar por um único grão de areia exclusivo em uma praia que se estende por quilômetros. O desafio é que a "praia" é feita de bilhões de colisões, e o "grão" pode parecer um seixo normal até que você o examine muito de perto.

Durante décadas, cientistas buscaram essas anomalias criando manualmente perguntas específicas para fazer aos dados. Eles decidiam antecipadamente que uma nova partícula poderia aparecer como um pico de energia específico ou um ângulo de voo particular, e então construíam ferramentas para caçar exatamente esses sinais. Essa abordagem funciona bem quando você sabe o que está procurando, mas falha se a nova física não se parecer em nada com o que qualquer pessoa esperava. Para resolver isso, pesquisadores recorreram à inteligência artificial, ensinando computadores a aprender a forma das colisões "normais" diretamente dos dados, sem dizer a eles o que esperar. O computador constrói um mapa mental do familiar e, quando um novo evento cai fora desse mapa, ele levanta uma bandeira. No entanto, isso cria um novo problema: quando o computador sinaliza um evento, ele frequentemente não consegue explicar o porquê. Ele diz: "Isto é estranho", mas não "Isto é estranho porque tem partículas pesadas demais" ou "Isto é estranho porque falta energia". Sem essa explicação, os físicos não podem saber se a anomalia é um sinal de nova física ou apenas uma falha no detector.

Uma equipe de pesquisadores desenvolveu agora uma maneira de corrigir esse ponto cego. Eles testaram suas ideias em um conjunto massivo de dados de 750 milhões de colisões simuladas, projetadas para imitar as condições do LHC de Alta Luminosidade, o próximo grande upgrade do colisor. O objetivo deles era duplo: primeiro, ver se ensinar o computador com exemplos rotulados de física conhecida (como tipos específicos de colisões de partículas) o tornaria melhor em detectar o desconhecido do que ensinar o computador sem rótulos; e segundo, construir uma ferramenta de diagnóstico que pudesse explicar exatamente por que um evento sinalizado foi considerado estranho. Eles descobriram que o computador aprendia muito melhor quando lhe era permitido ver os "nomes" dos tipos de colisões conhecidas durante o treinamento. Quando usaram essas representações mais inteligentes para caçar anomalias, o sistema detectou mais dos sinais raros e ocultos do que métodos antigos que dependiam de medições projetadas por humanos.

Mas a verdadeira inovação foi na explicação. Os pesquisadores construíram um pipeline que pega um evento sinalizado e o coloca em um bairro específico dentro do mapa mental do computador. Eles então fizeram uma pergunta simples: quais características físicas fazem este evento se destacar de seus vizinhos? Eles testaram isso em dois tipos de sinais ocultos. Um era um processo que produz quatro quarks pesados, e o outro era uma partícula hipotética que decai em muitos pares de múons. O sistema identificou corretamente que os eventos de quatro quarks eram estranhos porque continham um número incomumente alto de jatos de sabor pesado, e que os eventos de múons eram estranhos porque tinham um número incomumente alto de léptons. Em outras palavras, o computador não disse apenas "isso é esquisito"; ele apontou para a propriedade física específica que tornou aquilo esquisito.

Curiosamente, o estudo revelou uma distinção sutil, mas importante, na forma como esses sistemas funcionam. Para os eventos de múons, o sistema identificou corretamente que o número de múons era a característica mais definidora que os separava das colisões normais. No entanto, a "pontuação de estranheza" interna do computador não acompanhou o número de múons mais de perto; em vez disso, ela reagiu mais fortemente a outras características secundárias da colisão. Isso significa que, embora o sistema tenha isolado com sucesso os eventos estranhos, a razão pela qual ele deu a eles uma pontuação alta foi ligeiramente diferente da razão pela qual eles eram fisicamente únicos. Este é um insight crucial para buscas futuras: saber que um evento é um outlier não é suficiente; os cientistas também devem entender quais variáveis físicas estão impulsionando a detecção. Ao combinar um método de aprendizado poderoso com uma ferramenta de diagnóstico local, os pesquisadores mostraram um caminho à frente onde a inteligência artificial pode não apenas encontrar a agulha no palheiro, mas também descrever a forma da agulha, garantindo que, quando uma descoberta for feita, a comunidade física saiba exatamente o que encontrou.

Resumo Técnico: Diagnósticos Locais de Representações de Eventos Aprendidas para Detecção de Anomalias no HL-LHC

Declaração do Problema

A detecção de anomalias (AD) é uma estratégia primária para a descoberta de nova física no Grande Colisor de Hádrons (LHC), identificando eventos de colisão que se desviam das expectativas do Modelo Padrão (SM). Os pipelines tradicionais de AD dependem de observáveis de alto nível construídos à mão (ex: massas invariantes, momento transversal), que são limitados pela completude e qualidade das características escolhidas. Abordagens recentes utilizam aprendizado profundo para aprender representações de eventos de baixa dimensão diretamente de dados de detectores de nível inferior, eliminando a necessidade de seleção a priori de observáveis. No entanto, essas representações aprendidas carecem de interpretabbilidade física imediata. Existe uma lacuna crítica no "pipeline de descoberta": quando um modelo sinaliza um evento como anômalo, não há um método sistemático para diagnosticar o porquê de ele ter sido sinalizado, distinguir a nova física potencial de erros de modelagem ou efeitos do detector, ou identificar o observável físico específico que impulsiona a anomalia. Este artigo aborda a necessidade de diagnósticos locais para interpretar representações aprendidas e os escores de anomalia derivados delas.

Metodologia

Conjunto de Dados e Representação de Eventos

O estudo utiliza o COLLIDE-2V, um conjunto de dados de 750 milhões de eventos simulando as condições do LHC de Alta Luminosidade (HL-LHC) com pileup realista ( $\langle\mu\rangle=200$ ). Os eventos são processados no nível "Full-Reco", fornecendo objetos de fluxo de partículas (particle-flow) de qualidade de análise (jatos, elétrons, múons, fótons e energia transversal faltante).

Codificador (Encoder): Um codificador Transformer mapeia listas de objetos reconstruídos de comprimento variável em um espaço latente de dimensão fixa ( $z$ ).
Objetivos de Treinamento: Os autores comparam quatro configurações baseadas em dois tipos de funções de perda (SimCLR e VICReg) tanto em variantes autossupervisionadas quanto supervisionadas:
- Autossupervisionada: Baseia-se exclusivamente em aumentos motivados pela física (rotação azimutal, boost longitudinal, dispersão de $p_T$ , mascaramento aleatório) para definir similaridade.
- Supervisionada: Utiliza rótulos de processos do SM disponíveis na simulação para agrupar eventos pelo seu processo subjacente de espalhamento duro durante o treinamento (SupCon e VCReg).
Pontuação de Anomalia (Anomaly Scoring): Um autoencoder é treinado exclusivamente no fundo dominante do SM (QCD-inclusive) dentro do espaço latente aprendido. O erro de reconstrução serve como o escore de anomalia.

Pipeline de Diagnóstico Local

Para interpretar os eventos sinalizados, os autores introduzem um framework de diagnóstico leve e livre de rótulos:

Particionamento: Um Modelo de Mistura Gaussiana (GMM) é ajustado às incorporações (embeddings) de treinamento do SM para particionar o espaço latente em $K$ componentes.
Perfilamento Livre de Rótulos: Cada componente do GMM é caracterizado pelas distribuições de observáveis de alto nível (ex: $H_T$ , $n_{jets}$ , $n_{b-tag}$ ) sobre os eventos do SM que ele contém, estabelecendo uma linha de base física sem rótulos de processo.
Localização: Eventos de sinal sinalizados são atribuídos ao componente do GMM com a maior responsabilidade posterior.
Separação Local: Dentro dos componentes dominantes, os observáveis são classificados por sua capacidade de separar o sinal sinalizado do fundo local do SM usando a distância de Wasserstein-1.
Correlação de Escores: A correlação de Spearman entre o escore de anomalia e os observáveis físicos é computada para determinar se o escore acompanha o observável específico que define a anomalia.

Principais Contribuições

Comparação de Estratégias de Incorporação (Embedding): Os autores demonstram que, sob um backbone Transformer compartilhado, objetivos supervisionados (SupCon e VCReg) que exploram rótulos de processos do SM produzem espaços latentes significativamente mais informativos do que seus equivalentes autossupervisionados (SimCLR e VICReg), conforme medido pela qualidade do linear-probe.
Desempenho de Detecção de Anomalias: Em suas melhores configurações, os espaços latentes supervisionados melhoram a eficiência de sinal em relação a um autoencoder treinado diretamente em características cinemáticas brutas em todos os processos mantidos (held-out) considerados. Especificamente, o VCReg com $d_{model}=256$ alcançou uma eficiência de sinal de 97,2% a 10% de aceitação de fundo para o proxy $HH \to 4b$ .
Framework de Diagnóstico Local: O artigo introduz um pipeline que localiza eventos sinalizados no espaço latente, perfila o fundo do SM circundante usando observáveis de alto nível e classifica variáveis por poder de discriminação local. Este framework recupera com sucesso a física definidora de processos mantidos (conteúdo de sabor pesado para $HH \to 4b$ e multiplicidade de léptons para $Z' \to n(\mu\mu)$ ).
Desacoplamento de Escore e Física: O estudo revela uma distinção crítica entre o observável que melhor separa um sinal do fundo local e o observável mais correlacionado com o escore de anomalia. Para o sinal $Z'$ , a multiplicidade de léptons foi o principal discriminante local, mas o escore de anomalia correlacionou-se mais fortemente com características cinemáticas secundárias (ex: $H_T$ , $M_{jj}$ ), destacando que métricas de desempenho global não capturam totalmente o comportamento do modelo de pontuação.

Resultados

Qualidade de Incorporação: Modelos supervisionados (VCReg, SupCon) alcançaram escores de AUROC de média macro de $\approx 0,90$ em um linear probe sobre 12 classes do SM, superando modelos autossupervisionados (SimCLR: $\approx 0,87$ , VICReg: $\approx 0,77$ ) e baselines de características brutas ( $\approx 0,87$ ).
Eficiência de Detecção: No sinal $HH \to 4b$ , a melhor configuração supervisionada (VCReg, $d=256$ ) atingiu 97,2% de eficiência de sinal a 10% de aceitação de fundo, comparado a 77,3% para o autoencoder de características brutas. Para o sinal $Z'$ , todas as configurações supervisionadas (exceto VCReg em $d=32$ ) excederam a eficiência basal de 96,8%.
Insights de Diagnóstico:
- $HH \to 4b$ : Eventos sinalizados localizaram-se principalmente nos componentes C4 e C5 do GMM. O ranking local identificou corretamente $n_{b-tag}$ como o principal discriminante. O escore de anomalia correlacionou-se mais fortemente com $n_{b-tag}$ ( $\rho=0,43$ ), indicando que o escore rastreia a física definidora.
- $Z' \to n(\mu\mu)$ : Eventos sinalizados localizaram-se quase inteiramente no componente C2. Embora $n_{leptons}$ fosse o principal discriminante ( $W_1 = 8,61$ ), o escore de anomalia mostrou apenas uma correlação fraca com a multiplicidade de léptons ( $\rho \approx 0,30$ ), mas correlações mais fortes com $H_T$ e $M_{jj}$ . Isso sugere que a representação roteia o sinal para uma região leptônica específica, mas o erro de reconstrução dentro dessa região é impulsionado por outras variações cinemáticas.

Significância e Alegações

O artigo afirma que, para a detecção de anomalias ser uma parte viável de um pipeline de descoberta, os eventos sinalizados devem ser diagnosticados localmente para distinguir a nova física de artefatos e para guiar buscas de acompanhamento direcionadas. Os autores asseguram que seu framework de diagnóstico fornece uma ponte necessária entre a natureza de "caixa preta" das representações aprendidas e os observáveis físicos necessários para a interpretação.

O trabalho destaca que, embora o aprendizado supervisionado em dados simulados ofereça atualmente desempenho e interpretabilidade superiores, ele depende de rótulos de processos indisponíveis em dados reais de colisão. Consequentemente, os autores observam que o desenvolvimento de representações autossupervisionadas robustas permanece uma direção futura crítica para reduzir a dependência da precisão da simulação e permitir o aprendizado diretamente de dados experimentais. O artigo conclui que a análise combinada de separação local e correlação de escore oferece insights sobre o comportamento do modelo de pontuação de anomalias que não podem ser inferidos apenas por métricas de desempenho global.