Transformer Neural Networks in the Measurement of $t\bar{t}H$ Production in the $H\,{\to}\,b\bar{b}$ Decay Channel with ATLAS

利用来自 ATLAS 探测器的 140 fb⁻¹ 13 TeV 质子-质子碰撞数据，本文展示了对 $H\to b\bar{b}$ 衰变道中 $t\bar{t}H$ 产生过程的测量，该测量利用 Transformer 神经网络显著提升了信号-背景判别能力和 Higgs 横向动量重建能力，最终在仅含背景的假设之上观测到了 4.6 个标准差的超额。

要点

想象一下大型强子对撞机（LHC）是一个巨大的、高速的粒子对撞机，科学家们通过撞击质子来重现早期宇宙的条件。在这片混沌之中，物理学家们正在寻找一种非常特定且罕见的事件：一个“希格斯玻色子”（赋予其他粒子质量的基本粒子）在诞生同时产生一对“顶夸克”（已知最重的粒子）。

这篇论文描述了一种利用 2015 年至 2018 年间 ATLAS 检测器收集的数据来寻找这一罕见事件的新型、更智能的方法。以下是他们所做的工作以及发现的内容，使用了日常类比进行说明。

挑战：大海捞针

他们寻找的特定事件是希格斯玻色子衰变为两个“底夸克”。问题在于，宇宙会产生大量的“背景噪声”——具体来说，是伴随着随机粒子喷注产生的顶夸克对——这些噪声看起来与他们想要的信号几乎一模一样。

这就像是在一个嘈杂拥挤的体育场里，试图听出一首特定的歌。这首歌就是信号（希格斯玻色子 + 顶夸克），而人群的欢呼声就是背景噪声（顶夸克 + 随机喷注）。在以往的尝试中，“人群”的声音如此巨大，以至于很难判断那首歌是否真的在播放。

新工具：“Transformer”神经网络

这篇论文最大的创新在于使用了Transformer 神经网络。你可能从那些编写文章或翻译语言的 AI 工具中了解过 Transformer。在这种情况下，科学家们将它们用作一种超级智能的分拣机。

• 为什么使用 Transformer？ 在粒子碰撞中，飞出的粒子并没有固定的顺序。Transformer 的特别之处在于它不在乎顺序；它能同时观察全局。这就像一位侦探，可以观察一个布满 50 个散落线索的混乱犯罪现场，并瞬间理解整个故事，而旧的方法可能会尝试按特定顺序一个接一个地查看线索。
• 分拣工作： 该 AI 经过训练，能够观察每一次碰撞，并做出判断：“这是罕见的希格斯之歌，还是仅仅是嘈杂的人群？”它能以极高的精度将事件归入不同的类别（例如“信号”、“人群类型 A”、“人群类型 B”）。

策略：放宽网口

由于该 AI 能够极其出色地分辨信号与噪声，科学家们可以改变他们的策略。

• 旧方法： 过去，他们必须设置一个非常严格的“预筛选”过滤器（就像夜店门口的保安）来挡住噪声。这意味着他们只能观察那些最干净、最明显的事件，但这也意味着由于过滤器太紧，他们错失了很多实际的信号。
• 新方法： 有了这位表现出色的“超级智能保安”，他们可以允许更多的人进入俱乐部（放宽预筛选）。他们让进入俱乐部的事件数量比以前增加了三倍。随后，AI 在处理过程的后期完成了繁重的分拣工作，将好的事件与坏的事件区分开来。这种做法使他们捕捉信号的能力提升了三倍。

他们还构建了一个“重建”网络。想象一下，仅凭汽车留下的刹车痕迹来推测汽车的速度。AI 会观察碰撞产生的碎片，并计算出希格斯玻生子的精确速度（横动量），从而让他们能够研究希格斯玻色子在不同速度下的行为。

结果：清晰的信号

在将 140 个单位的碰撞数据（海量信息）输入这个新系统后，结果非常明确：

1. 他们找到了信号： 他们观察到了符合希格斯玻色子预测的事件过剩。
2. 统计置信度： 这种现象仅仅是背景噪声随机波动导致的概率极低。该结果的显著性为 4.6 个标准差。
   • 类比： 如果你抛硬币，连续得到正面朝上的次数比随机概率高出 4.6 倍，你会非常确定这枚硬币是被动了手脚。在这里，“硬币”是数据，而这强烈表明希格斯玻色子确实存在。
3. 与理论对比： 他们发现的希格斯玻色子数量与标准模型预测的结果一致（在误差范围内）。这就像 AI 预测了天气，而实际天气与预报完美契合。

核心结论

这篇论文是对旧数据进行重新分析，并采用了新型、强大的 AI 技术。通过使用“Transformer”神经网络来理清粒子碰撞中的混沌，ATLAS 团队能够将他们的灵敏度提高三倍，减少噪声，并以高度的信心证实了希格斯玻色子与顶夸克对同时产生的存在。这是目前对这一特定过程最精确的测量。

技术摘要

技术摘要：用于测量 $t\bar{t}H$ 产额的 Transformer 神经网络

问题与背景
直接测量顶夸克与希格斯玻色子之间的 Yukawa 耦合对于理解电弱对称性破缺以及希格斯真空势的稳定性至关重要。虽然存在间接测量（通过量子圈），但直接观测需要希格斯玻色子与一对顶夸克伴随产生（即 $t\bar{t}H$）。ATLAS 协作此前利用完整的 Run 2 数据集（在 $\sqrt{s}=13$ TeV 下为 140 fb$^{-1}$）在 $H \to b\bar{b}$ 衰变道中发表了该过程的测量结果。然而，该道面临着巨大的不可约背景，即由伴随额外喷注（特别是包含重夸克喷注）的顶夸克对产生（$t\bar{t} + \text{jets}$）所构成的背景。先前的分析在信号接受度和背景建模方面面临挑战，因此需要通过改进策略进行重新分析，以实现更高的精度。

方法论
本文介绍了一种利用基于 Transformer 神经网络的高级多变量分析（MVA）策略对 $t\bar{t}H(b\bar{b})$ 过程进行的重新分析。其核心方法论创新包括：

• Transformer 架构： 分析采用了最初为自然语言处理开发的 Transformer 网络，用于事件分类和希格斯玻色子重建。选择这些网络是因为它们对输入对象的排列具有不变性，并且能够处理可变基数（variable cardinality），这对于粒子碰撞事件至关重要，因为在碰撞中最终态粒子的数量是变化的，且不存在固定的排序。
• 输入变量： 网络利用了所有喷注、轻子和缺失横向能量的低级四维矢量（four-vector）信息及 $b$-tagging 信息。
• 事件分类与区域定义： 与以往依赖严格运动学截断的分析不同，该策略使用神经网络输出定义区域。背景（$t\bar{t} + \text{jets}$）根据非来自顶夸克衰变的喷注的味（flavour）被分为五类：$t\bar{t} + \text{light}$、$t\bar{t} + \geq 1c$、$t\bar{t} + \geq 2b$、$t\bar{t} + 1B$（包含紧凑 $b$-强子的喷注）以及 $t\bar{t} + 1b$。
  • 判别式： 多类分类概率被转换为六个类判别式，用以区分 $t\bar{t}H$ 信号与五类背景类别。事件根据这些判别式被分配到信号区（SR）或控制区（CR）。
  • 预筛选放宽： 分类的鲁棒性使得可以放宽运动学预筛选，与第一次完整的 Run 2 分析相比，信号接受度提高了三倍。筛选目标包括单轻子（$\geq 5$ 个喷注）和双轻子（$\geq 3$ 个喷注）通道，且具有 $\geq 3$ 个 $b$-tag，此外还有一个专门针对高 $p_T$ 希格斯玻色子的“被轰击”（boosted）通道，其中两个 $b$-夸克包含在单个喷注中。
• 希格斯重建： 一个独立的重建网络使用配对层（类似于 SPANet）来识别源自希格斯衰变的两个喷注。这使得能够重建希格斯横向动量（$p_T^H$），该变量被用作被轰击通道中的拟合变量以及微分测量中的变量。
• 统计分析： 在所有区域内进行同步分箱剖面似然拟合（simultaneous binned profile likelihood fit）。该拟合提取了包容性 $t\bar{t}H$ 截面，以及基于真值 $p_T^H$ 定义的六个简化模板截面（STXS）分箱的微分截面。

主要贡献
这项工作的核心贡献在于成功实现了 Transformer 神经网络，用以同时约束主要的 $t\bar{t} + \text{jets}$ 背景（分为五个不相交的类别）并测量 $t\bar{t}H$ 信号。这种方法超越了以往的 ATLAS 测量，其特点在于：

1. 实现了一种全新的分析策略，该策略依赖于用于区域定义的多元判别式，而非固定的运动学截断。
2. 通过放宽预筛选，实现了信号接受度三倍的提升。
3. 利用神经网络重建的 $p_T^H$ 提供了截面的微分测量。

结果
分析显示，相对于仅背景假设，观测到的事件过剩为 4.6 个标准差，而预期显著性为 5.4 个标准差。

• 包容性截面： 测得的包容性截面为 $\sigma_{t\bar{t}H}^{\text{obs}} = 411^{+101}_{-92} \text{ fb}$（统计与系统误差合并）。这与在 $m_H = 125.09$ GeV 时的标准模型（SM）预测值 $\sigma_{t\bar{t}H}^{\text{SM}} = 507^{+35}_{-50} \text{ fb}$ 相兼容。
• 微分截面： 跨六个 STXS 分箱的微分截面结果显示与标准模型预测相兼容，其 $p$-值为 89%。各分箱之间的相关系数不超过 30%。
• 不确定度： 在以往的分析中，$t\bar{t} + \geq 1b$ 背景建模占主导地位，而在本次测量中，领先的系统不确定度来源是 $t\bar{t}H$ 信号本身的建模。

意义
论文声称，这一测量代表了迄今为止最精确的单通道 $t\bar{t}H$ 截面测量。通过利用 Transformer 网络，该分析证明了先进的机器学习技术可以显著改善高能物理中复杂信号与背景过程之间的判别能力。这项工作验证了此类网络用于同时进行背景约束和信号提取的有效性，为 $H \to b\bar{b}$ 通道的精密测量树立了新标准。