Selection and processing of calibration samples to measure the particle identification performance of the LHCb experiment in Run 2

本文介绍了 LHCb 实验在 Run 2 期间，基于其创新的在线触发与重建模型，开发并实施了一套专门用于选择和处理校准样本的策略，以全面评估粒子识别性能、验证不同衰变道中的识别效率，并应用于数据质量监控。

要点

这篇论文讲的是欧洲核子研究中心（CERN）的 LHCb 实验团队，如何为他们的“粒子侦探”们准备一套完美的“校准工具包”，以便在第二次大型强子对撞机（LHC）运行期间，更精准地识别各种基本粒子。

为了让你更容易理解，我们可以把整个 LHCb 实验想象成一个超级繁忙的“宇宙交通管理局”。

1. 背景：繁忙的宇宙收费站

LHCb 实验就像是一个建在粒子高速公路上的超级收费站。这里每秒都有数以亿计的粒子（质子）像赛车一样对撞，产生无数新的“乘客”（粒子）。

• 任务：物理学家需要知道这些“乘客”到底是谁：是电子、μ子、π介子、K 介子还是质子？
• 挑战：这些粒子长得太像了，而且速度极快。如果收费站（探测器）认错了人，整个交通分析（物理研究）就会出错。比如，把“π介子”误认成"K 介子”，就像把出租车误认成救护车，后果很严重。

2. 核心问题：如何校准“眼睛”？

为了准确识别，LHCb 给每个粒子都装上了各种“眼睛”（探测器）：

• 量能器：看粒子有多“重”（能量）。
• RICH 探测器：看粒子跑得多快（切伦科夫光）。
• μ子探测器：看谁能穿透厚厚的铁墙。

但是，这些“眼睛”也会疲劳、会受温度影响、甚至会有点“近视”。所以，物理学家需要校准它们。
怎么校准呢？ 不能拿模拟数据（假人）来校准，必须拿真实的粒子来校准。这就需要一种特殊的“校准样本”。

3. 解决方案：寻找“完美证人”

这篇论文的核心就是介绍他们如何挑选和处理这些校准样本。

比喻：寻找“铁证如山”的案件

想象你要训练一个警察（识别算法）来区分“好人”和“坏人”。你不能只靠警察的直觉，你得给他看一些铁证。

• 铁证是什么？ 就是那些不需要靠“长相”就能认出身份的粒子。
• 例子：
  • 如果你看到一辆车（粒子）是从一个特定的、已知的“工厂”（衰变过程，比如 $J/\psi \to \mu^+\mu^-$）里出来的，而且这个工厂只生产“μ子”，那么不管这辆车长什么样，它一定是μ子。
  • 这就好比：你看到一个人从“只有医生能进的手术室”走出来，手里还拿着手术刀，那你100% 确定他是医生，不需要看他的工牌（PID 信息）。

LHCb 团队挑选了二十多种这样的“铁证案件”（特定的粒子衰变模式），比如 $K^0_S \to \pi^+\pi^-$ 或 $\Lambda^0 \to p\pi^-$。在这些案件中，粒子的身份是数学上确定的，完全不需要依赖探测器的识别功能。

流程：在线与离线的“双重保险”

以前，数据是“先存下来，以后慢慢分析”（离线）。但 LHC Run 2 数据量太大，存不下。现在的策略是**“实时处理”**（在线）。

这就带来了一个新问题：如果我们在“实时”阶段就做了筛选，会不会有偏见？

• 创新方案（TurboCalib）：
  1. 第一重筛选（在线）：像高速摄像机一样，实时捕捉那些“铁证案件”，但不看它们的“长相”（不依赖 PID 信息），只根据它们来自哪个“工厂”来抓取。
  2. 双重加工：
     • 在线版：用实时数据快速算出识别结果（用于触发系统）。
     • 离线版：把原始数据存下来，用更精细、更慢的算法重新算一遍（用于最终分析）。
  3. 对比：把“在线版”和“离线版”的结果放在一起对比。如果两者一致，说明系统很稳；如果有差异，就能发现系统哪里出了问题。

这就像是一个双重审核机制：保安（在线系统）快速放行，而审计员（离线系统）事后拿着原始监控录像仔细核对。如果审计员发现保安看走眼了，就能立刻修正保安的“视力”。

4. 怎么使用这些样本？

有了这些“铁证样本”，物理学家可以做三件事：

1. 测量性能：看看探测器在识别不同速度、不同角度的粒子时，准确率到底有多少。就像给视力表做测试，看看在不同距离下能看清多少。
2. 修正模拟：计算机模拟（MC）是物理学家预测未来的工具。但模拟永远不完美。利用这些真实的“铁证样本”，物理学家可以告诉计算机：“嘿，在这个速度下，你的模拟把π介子认成了K介子，快修正一下！”
3. 监控健康：就像汽车仪表盘一样，这些样本能实时显示探测器是否“生病”了（比如温度变化导致识别率下降）。

5. 总结：为什么这很重要？

这篇论文描述的不仅仅是一套技术流程，而是一种思维方式的升级：

• 从“事后诸葛亮”到“实时体检”：以前是等数据存完再分析，现在是实时发现问题。
• 从“单一视角”到“双重验证”：同时使用在线和离线两套系统互相校验，确保万无一失。
• 为未来铺路：这套方法不仅用于 Run 2，还为未来的 Run 3（数据量更大，甚至不再保存原始数据）做好了准备。

一句话总结：
LHCb 团队通过寻找那些“身份绝对确凿”的粒子作为标准参照物，建立了一套实时双重校验系统，确保他们的“粒子眼睛”在任何时候都看得准、认得对，从而让寻找新物理的探索更加精准可靠。

技术摘要

LHCb 实验 Run 2 粒子识别（PID）性能测量校准样本的选择与处理技术总结

1. 研究背景与问题 (Problem)

LHCb 实验是位于大型强子对撞机（LHC）上的专用重味物理实验，其核心目标是通过研究底（b）和粲（c）夸克强子的 CP 破坏过程及稀有衰变来寻找新物理的间接证据。带电粒子的识别（PID，区分电子、μ子、π介子、K 介子和质子）是 LHCb 物理计划的关键，其性能要求极高（例如，将强子误判为μ子的概率需达到千分之一级别）。

在 LHC Run 2（2015-2018）期间，LHCb 采用了创新的触发模型，大部分数据集依赖在线事件重建（Online Event Reconstruction），仅离线重建用于特殊物理案例。这带来了以下挑战：

• 性能测量需求：需要精确测量 PID 探测器和算法的性能，并评估系统误差，以支持触发选择和离线数据分析。
• 偏差问题：传统的离线选择策略可能引入对 PID 变量的偏差，且难以完全模拟探测器的响应。
• 计算扩展性：Run 2 需要处理海量数据，传统的校准样本处理方法在统计精度和存储资源上面临扩展性挑战。
• 在线/离线一致性：需要一种机制来测量结合在线触发 PID 变量和离线重建 PID 变量的选择效率，确保两者的一致性。

2. 方法论 (Methodology)

为了解决上述问题，LHCb 开发了一套专门的计算模型和校准样本选择策略，主要包含以下几个核心部分：

2.1 校准样本的选择策略 (Selection Strategy)

• 无偏样本：选择具有特定运动学结构的衰变道，使得在不使用任何 PID 信息（如量能器、RICH 或μ子系统信息）的情况下，也能明确识别出其中一个子粒子（Tag-and-Probe 方法）。
• 主要衰变道：
  • μ子：$J/\psi \to \mu^+\mu^-$ 和 $B^+ \to J/\psi K^+$ ($J/\psi \to \mu^+\mu^-$)。
  • 电子：$B^+ \to J/\psi K^+$ ($J/\psi \to e^+e^-$)。
  • π介子：$K^0_S \to \pi^+\pi^-$ 和 $D^{*+} \to D^0 \pi^+$ ($D^0 \to K^-\pi^+$)。
  • K 介子：$D^+_s \to \phi \pi^+$ ($\phi \to K^+K^-$) 和 $D^{*+}$ 衰变中的 K 介子。
  • 质子：$\Lambda^0 \to p\pi^-$ 和 $\Lambda^+_c \to pK^-\pi^+$。
• 无 PID 预选择：触发算法在选择这些样本时，不依赖 PID 变量，或者将 PID 要求应用于不参与性能测量的粒子，以避免引入偏差。
• 背景扣除：使用 sPlot 技术 对不变质量分布进行拟合，统计扣除残留背景，提取纯净的信号样本。

2.2 性能测量与效率计算 (Performance Measurement)

• 参数化与重加权：假设 PID 变量的响应由动量 ($p$)、赝快度 ($\eta$) 和事件多重性 ($N_{evt}$) 完全参数化。通过将校准样本划分为这些变量的细粒度子集，计算每个子集的选择效率。
• 参考样本匹配：为了测量特定物理分析（参考样本）的效率，将校准样本的权重调整为与参考样本的运动学分布相匹配。
• 模拟修正技术：
  • 重采样 (Resampling)：用校准样本生成的概率密度函数（PDF）完全替换模拟中的 PID 响应。
  • 变量变换 (Transformation)：利用核密度估计（Meerkat 库），将模拟的 PID 变量变换为符合数据分布的形式，同时保留模拟中的相关性。

2.3 创新的数据处理模型 (Computing Model)

• TurboCalib 格式：开发了一种名为 TurboCalib 的专用数据格式。
  • 双重重建：每个事件在在线触发阶段进行完整重建，同时保存原始探测器数据（Raw Data）。
  • 独立处理：事件被独立地在线重建和离线重建。
  • 匹配：通过共享簇（clusters）或 TisTos 算法将在线和离线重建的轨迹进行匹配。
  • 结果：每个重建轨迹关联两组 PID 变量（在线版和离线版），允许分析人员测量结合两种重建类型的选择效率，并验证在线/离线的一致性。
• 分布式 sPlot：为了处理海量数据，sPlot 背景扣除过程采用分布式实现，在数千个计算节点上并行填充直方图并拟合，避免了单节点存储整个数据集的瓶颈。

2.4 软件工具

• PIDCalib 包：一个 Python 用户界面，标准化了上述技术，允许物理分析人员轻松地将校准样本信息转移到其感兴趣的参考样本中，支持重加权、重采样和变量变换。

3. 关键贡献 (Key Contributions)

1. 实时校准样本选择：在软件触发的最高层级直接选择校准样本，相比 Run 1 的离线策略，显著提高了统计量并消除了选择偏差。
2. TurboCalib 数据格式：实现了在线和离线重建的并行处理与匹配，解决了在线触发 PID 变量与离线重建变量差异带来的效率测量难题，为未来 Run 3 完全基于候选者的存储模式奠定了基础。
3. 先进的 PID 修正方法：引入了基于核密度估计的 PID 变量变换技术，在修正模拟数据以匹配真实数据的同时，保留了模拟中不同变量间的相关性。
4. 分布式计算架构：通过分布式 sPlot 技术，成功克服了 Run 2 海量校准样本带来的计算和存储扩展性挑战。
5. 数据质量监控：利用高统计量的校准样本进行实时数据质量监控（DQM），能够及时发现探测器对准、校准常数错误或环境变化导致的性能偏差。

4. 结果 (Results)

• 样本纯度与覆盖度：成功构建了覆盖宽运动学范围（动量 $p$ 和赝快度 $\eta$）的纯净校准样本。图 1 展示了不同粒子（电子、μ子、π、K、p）的不变质量分布及背景扣除后的运动学分布，证明了样本的高质量。
• 效率测量：该方法能够精确测量数百种不同衰变道的 PID 选择效率。
• 一致性验证：通过 TurboCalib 格式，验证了在线重建与离线重建在 PID 变量上的一致性，确保了触发决策与离线分析之间的无缝衔接。
• 系统误差控制：通过 sPlot 技术和多源校准样本（如 $\Lambda^0$ 和 $\Lambda^+_c$ 用于质子），有效控制了统计不确定性和由特定衰变道引起的偏差。

5. 意义 (Significance)

• 物理精度提升：该策略显著提高了 LHCb 实验在 Run 2 期间测量 CP 不对称性和稀有衰变分支比的精度，特别是通过精确的 PID 效率修正减少了系统误差。
• 技术范式转变：确立了“在线重建为主，离线重建为辅”的新型数据处理范式。TurboCalib 和分布式处理方案不仅解决了 Run 2 的问题，更为 Run 3 的完全触发级数据流（Trigger-level data stream，即只存储衰变候选者而不存储原始数据）铺平了道路。
• 通用性：虽然本文专注于带电粒子识别，但该计算模型和选择策略已被推广应用于径迹校准以及中性π介子和光子的 PID 校准，展示了其广泛的适用性。
• 实时性：实时数据质量监控能力确保了实验在长期运行中的稳定性，能够在探测器性能发生漂移时及时发出警报。

综上所述，这篇论文详细阐述了 LHCb 实验在 Run 2 期间为应对高统计量数据挑战而开发的先进校准样本处理框架，该框架通过创新的计算模型、无偏选择策略和分布式算法，成功实现了高精度的粒子识别性能测量，是 LHCb 物理成果的重要技术基石。