Machine learning techniques for jet reconstruction at LHCb and application to the search for $H \to b \bar{b}$ and $H \to c \bar{c}$ in $\sqrt{s}=13$ TeV $pp$ collisions

本文介绍了用于 LHCb 中喷注能量校准和味标记的机器学习技术，这些技术被应用于在 13 TeV pp 碰撞中寻找包容性 $H \to b\bar{b}$ 和 $H \to c\bar{c}$ 衰变，结果分别观测到 6.6 倍和 1003 倍于标准模型截面的 95% 置信水平上限。

要点

想象一下，欧洲核子研究中心（CERN）的大型强子对撞机（LHC）就像一台巨大的、高速运行的粒子粉碎机。当质子发生碰撞时，它们会破碎成混乱的微小粒子喷流。物理学家需要从这些碎片中筛选出特定的、罕见的事件——就像要在沙堆中寻找特定类型的碎玻璃。

这篇来自 LHCb 实验的论文描述了他们如何利用**人工智能（机器学习）**来显著提升对这些碎片进行分类的能力，特别是为了寻找希格斯玻色子（一个著名的粒子）分解成两种特定类型“夸克”（底夸克和粲夸克）的过程。

以下是他们所做工作的拆解，使用了简单的类比：

1. 问题所在：嘈杂的人群

当希格斯玻色子衰变为两个夸克时，这些夸克会飞出并转化为“喷注”（jets，即粒子喷流）。挑战在于，希格斯信号非常微弱，被淹没在大量的背景噪声（普通的粒子碰撞）之中。

为了找到希格斯玻色子，物理学家需要完美地完成两件事：

1. 测量重量： 他们需要精确知道喷注有多少能量，以便计算原始粒子的质量。
2. 识别风味： 他们需要知道这些喷注是来自“底”夸克、“粲”夸克，还是仅仅是普通的“轻”夸克。

2. 解决方案：两种全新的 AI 工具

该团队开发了两种新的机器学习技术来改进他们的搜索。

工具 A：“智能秤”（喷注能量校正）

旧方法： 想象一下，你试图用一个略有偏差的秤来称量一个行李箱。你使用一个简单的公式来估算修正值，但并不完美，因此你对行李箱重量的测量仍然有些模糊。
新方法： 团队构建了一个回归模型（Regression Model，一种 AI 类型）。这个 AI 不再仅仅依赖简单公式，它会观察喷注的“形状”、内部包含多少粒子以及它们的排列方式。它就像一个超级智能的秤，通过学习数百万个示例来预测喷注的真实重量，其精度要高得多。
结果： 他们测量中的“模糊感”变得更加清晰。现在，他们可以更清晰地将希格斯信号从背景噪声中区分出来。

工具 B：“专家侦探”（喷注风味标记）

旧方法： 为了识别一个喷注是“底”喷注还是“粲”喷注，旧方法会寻找一个特定的线索：一个“二次顶点”（secondary vertex，即粒子衰变的微小点）。这就像侦探在寻找一个单一的指纹。如果指纹很模糊或缺失，侦探就无法做出判断。
新方法： 他们构建了一个深度神经网络（DNN）。这就像聘请了一位侦探，这位侦探不仅看一个指纹。这个 AI 会观察一切：每个粒子的轨迹、能量沉积、衰变点以及喷注的整体形状。它结合了成千上菌个微小的线索来做出决策。
结果： 这个“超级侦探”能更好地分辨底喷注、粲喷注和普通的轻喷注。它捕捉到了更多的真实信号，并忽略了更多的伪信号。

3. 大搜寻：寻找希格斯玻色子

利用这两个新工具，团队开始寻找希格斯玻色子衰变为以下形式的过程：

• 底夸克 ($H \to b\bar{b}$)
• 粲夸克 ($H \to c\bar{c}$)

他们分析了 2016 年的数据（1.6 fb$^{-1}$ 的碰撞数据）。他们并没有假设希格斯是如何产生的，而是在数据中任何地方寻找其衰变产物。

挑战： 背景噪声（普通的粒子碰撞）非常巨大。为了应对这一点，他们使用了一个聪明的技巧：他们定义了一个“控制区”（Control Region，一个已知不存在希格斯玻色子的安全区域）来了解背景噪声的样子，然后利用这些知识来预测他们在“信号区”（可能存在希格斯的区域）中的噪声情况。

4. 结果：他们发现了什么？

在运行完数据后，他们在该数据集中没有发现希格斯玻色子以这种特定方式衰变的证据。数据看起来完全符合希格斯不存在（或在这么多数据中过于罕见）时的预期。

然而，他们设定了关于这种情况发生频率的限制（limits）：

• 对于底夸克： 他们发现，如果希格斯确实在衰变为底夸克，其发生的频率至少比标准模型预测的低 6.6 倍。（这是一个非常好的结果；它接近预期的极限值）。
• 对于粲夸克： 他们发现，如果希格斯确实在衰变为粲夸克，其发生的频率至少比预测的低 1,003 倍。（这个限制要弱得多，这意味着由于背景噪声太大且粲喷注难以识别，寻找粲信号要困难得多）。

5. 未来展望

论文结论指出，虽然他们在这个特定的数据集中没有找到希格斯玻色子，但他们的新 AI 工具取得了巨大成功。他们证明了机器学习可以显著提高 LHCb 测量喷注的能力。

他们预测，随着未来运行阶段（LHC 的 Run 4 和 Run 5）拥有更多数据，这些工具将足够强大，最终能够观测到希格斯玻色子衰变为底夸克的过程，并更接近观测到衰变为粲夸克的现象。

简而言之： 他们制造了更好的“AI 眼镜”，以便看穿粒子的迷雾。他们并没有在这一堆特定的沙子里找到宝藏（希格斯信号），但他们证明了这些新眼镜非常有效，并且他们有信心在未来面对更大的沙堆时能找到它。

技术摘要

技术摘要：用于 LHCb 喷注重建的机器学习技术及其在 $H \to b\bar{b}$ 和 $H \to c\bar{c}$ 搜索中的应用

问题陈述
LHCb 实验主要设计用于前向伪快度区域（$2 < \eta < 5$）的重夸克物理，在重建和识别喷注（特别是源自重夸克 $b$ 和 $c$ 的喷注）方面面临显著挑战。标准重建方法由于半轻衰变中未检测到的中微子导致能量分辨率下降，且在区分重夸克喷注与轻夸克喷注（由 $u, d, s$ 夸克或胶子产生）方面的效率有限。这些局限性阻碍了包容性希格斯玻色子搜索（$H \to b\bar{b}$ 和 $H \to c\bar{c}$）在双喷注末态中的精度，因为在这些搜索中，准确的双喷注不变质量分辨率和高纯度的味标定（flavour tagging）对于从压倒性的多喷注 QCD 背景中分离信号至关重要。

方法论
本文引入了两种新型机器学习技术来解决这些重建与识别挑战，并应用于对应于 $\sqrt{s} = 13$ TeV、积分亮度为 $1.6 \text{ fb}^{-1}$（采集于 2016 年）的 $pp$ 碰撞数据集。

1. 基于回归的喷注能量校正 (JEC)：

   • 方法： 采用梯度提升回归器 (GBR) 来校正喷注能量，以取代标准的乘法校正因子。
   • 输入： 该模型利用了包含 421 个特征的综合集合，包括喷注运动学（$p_T, \eta, \phi$）、组成（组成部分数量、带电粒子比例）、喷注子结构（在同心环 $\Delta R$ 中的能量分布）、缪子信息以及事件级变量（初级顶点数量）。
   • 训练： 回归器在模拟的 $H \to b\bar{b}$ 信号和双喷注背景样本上进行训练，以预测真值层级的喷注能量。针对领先喷注（leading jet）和次领先喷注（subleading jet）分别训练不同的模型。
   • 目标： 最小化重建不变质量与真值不变质量之间的差异（$m_{reco} - m_{truth}$），从而提高质量分辨率。

2. 用于喷注味标定的深度神经网络 (DNN)：

   • 方法： 开发了一种受 CMS DeepJet 算法启发的深度神经网络，用于区分 $b$-喷注、$c$-喷注和轻夸克喷注。
   • 架构： 网络处理四类输入：带电粒子、中性粒子、次级顶点和全局喷注属性。它利用一维卷积层处理粒子特征，利用长短期记忆网络 (LSTM) 层处理带电/中性粒子的序列信息，并使用全连接层进行最终分类。
   • 输入： 每个喷注包含最多 20 个带电粒子（按冲击参数排序）和 10 个中性粒子（按能量排序），以及次级顶点运动学和全局喷注变量。
   • 输出： 网络输出三个概率（$P_b, P_c, P_q$），分别代表喷注起源于 $b$ 夸克、$c$ 夸克或轻夸克的可能性。

3. 搜索策略与背景估计：

   • 信号区与控制区： 通过严格的 DNN 概率阈值和次级顶点标定要求来定义信号区 (SR)。由混合味喷注对组成的控制区 (CR) 用于以数据驱动的方式模拟占主导地位的多喷注 QCD 背景。
   • 背景建模： 使用参数化为伯恩斯坦多项式（Bernstein polynomial）的转移函数 (TF)，将双喷注质量形状从 CR 外推至 SR。
   • 统计分析： 对双喷注不变质量谱（$45 < M_{jj} < 250 \text{ GeV}/c^2$）进行分箱最大似然拟合。通过引入干扰参数（nuisance parameters）来纳入系统不确定性（如喷注能量标度、标定效率、背景建模）。使用 $CL_s$ 方法设定上限。

核心贡献

• 算法开发： 本文展示了首次在 LHCb 中应用基于 GBR 的喷注能量校正以及用于味标定的全子结构 DNN。
• 性能提升：
  • 与标准的立方 JEC 方法相比，GBR 校正显著提高了双喷注不变质量分辨率。
  • 与标准次级顶点 (SVT) 算法相比，DNN 标定算法在保持轻夸克误识别率约为 $1\%$ 的同时，实现了 $b$-喷注效率 $>9\%$ 和 $c$-喷注效率 $>20\%$ 的相对提升。
• 包容性搜索： 不同于以往专注于矢量玻色子关联产生 ($VH$) 的 LHCb 分析，本研究针对包容性 $H \to b\bar{b}$ 和 $H \to c\bar{c}$ 衰变，不对产生机制做任何假设，从而允许与超越标准模型 (BSM) 理论进行更广泛的比较。

结果
使用 2016 年数据集（$1.6 \text{ fb}^{-1}$），在两个通道中均未观察到归因于希格斯玻色子衰变的显著过剩事件。拟合的信号产额与零相容。

• $H \to b\bar{b}$ 搜索：

  • 观测到的 95% CL 上限：$6.6 \times \sigma_{SM}$ (211 pb)。
  • 预期的 95% CL 上限：$11.1 \times \sigma_{SM}$。
  • 观测到的极限比预期更紧，这是由于数据中存在向下的统计涨落。

• $H \to c\bar{c}$ 搜索：

  • 观测到的 95% CL 上限：$1003 \times \sigma_{SM}$ (1605 pb)。
  • 预期的 95% CL 上限：$1834 \times \sigma_{SM}$。
  • 灵敏度受限于较低的信噪比、较低的粲标定效率以及较高的背景误识别率。

• 系统不确定性： 两个搜索的主要系统不确定性均为喷注次级顶点标定效率（$H \to b\bar{b}$ 为 15%，$H \to c\bar{c}$ 为 19%）。

意义与未来展望
论文声称，利用当前的 LHCb 数据集，这些结果设定了对包容性 $H \to b\bar{b}$ 和 $H \to c\bar{c}$ 产生的最严格限制。这些机器学习技术的部署证明了它们在增强 LHCb 喷注测量精度方面的潜力。

作者提供了对未来数据采集（Run 3, Run 4, Run 5）的推断。结论如下：

• 预计在 Run 4 结束时（$50 \text{ fb}^{-1}$），观测到包容性 $H \to b\bar{b}$ 过程是可行的，预计极限可达到 $\sim 1.1 \times \sigma_{SM}$。
• 到 Run 5 结束时（$300 \text{ fb}^{-1}$），包容性 $H \to c\bar{c}$ 通道预计可将粲 Yukawa 耦合 ($y_c$) 约束在约为标准模型值的 $6.7$倍。这种方法为$VH$ 产生搜索提供了补充约束，因为它不依赖于对希格斯产生机制的假设。