宇宙是由少数几种基本粒子构成的，但最有趣的故事往往发生在这些粒子发生衰变、转化为更轻、更稳定的形式时。在大型强子对撞机的高能碰撞中，产生了大量被称为“美（beauty）”和“粲（charm）”强子的重型版本。当它们破碎时，会留下其他粒子的痕迹，探测器可以观测到这些痕迹。物理学家通过研究这些痕迹来寻找现有自然理解中的裂缝，寻找无法用标准模型解释的隐形粒子或奇异行为的迹象。然而，寻找这些微妙信号非常困难，因为探测器只能看到拼图中的可见部分。如果一个重粒子衰变成了一些不留痕迹的东西，或者如果衰变过程混乱且不完整，那么传统的识别工具往往会失效。挑战在于，如何通过观察剩余的碎片来学习如何读出一次衰变的完整故事，即使故事的一部分已经丢失。
布朗大学的研究人员开发了一种新方法，教计算机如何在不需要“标准答案教科书”的情况下理解这些重粒子衰变。他们没有向计算机展示数百万个带有正确标签的示例，而是让机器通过尝试“填补空白”来学习游戏规则。他们提取了来自LHCb实验的大规模模拟碰撞数据集，并将其中的“喷注（jets）”——即碰撞中产生的粒子喷流——呈现给计算机，并故意移除了一些径迹或隐藏了它们的身份。计算机的任务是猜出缺失的部分。通过反复尝试从不完整的信息中重建完整的图像，该系统学习到了关于重粒子通常如何破碎的深层内部映射。这种映射捕捉了粒子之间的复杂关系，例如它们如何运动、从何处来以及它们是什么，而无需被告知父粒子的具体名称。
一旦计算机掌握了这张地图，研究人员就测试了它是否真正理解了物理学。他们发现，该系统能够区分不同类型的重粒子，甚至能分辨出同一粒子的物质与反物质版本，其表现与依赖于全标签数据的传统方法一样出色。更重要的是，他们测试了该系统是否能察觉到一次真实的衰变是不完整的。当他们从一次真实碰撞的重建衰变中移除已知的一个组成部分时，计算机的“缺失得分（missingness score）”显著上升，表明该喷注看起来不如预期那样完整。这种反应比移除同一喷注中随机、无关的粒子时要强烈得多。这表明该系统已经学习到了重粒子衰变特有的、连贯的结构，并且能够感知这种结构何时被破坏。
随后，团队将这个训练好的系统应用于2017年记录的质子-质子碰撞真实数据中。在无需针对该特定数据进行进一步训练的情况下，该系统成功识别了真实碰撞中的相同模式。它能够分离不同类型的重味（heavy-flavor）衰变，并对真实数据中特定粒子的移除做出反应，正如它在模拟实验中所做的那样。研究人员还利用该系统在数据中探索异常模式。他们发现了一组看起来与众不同的喷注：这些喷注充满了带电粒子，但几乎没有中性粒子。虽然研究人员目前还无法立即说明其成因，但该系统成功地将这些奇异事件归类在一起，表明该方法可以将类似的异常现象组织起来以供进一步调查。
这项工作证明，计算机可以直接从数据本身学习粒子衰变的语言，而不需要人类先编写字典。通过学习如何完成一次衰变的图像，该系统获得了一种强大的能力，能够识别出何时出现了错误或缺失。这种方法为寻找超越我们当前理解的物理学提供了新途径，特别是针对那些可能隐藏在噪声中的罕见或不完整的衰变。研究人员表明，通过教机器理解这些事件的结构，我们可以开启观察宇宙不可见部分的新窗口，从而可能揭示出迄今为止仍难以触及的新粒子或新力。
技术摘要：“变革”LHCb：重味强子衰变的自监督映射
问题陈述
美与粲强子的重味衰变是探测超越标准模型（BSM）物理的敏感探针，特别是在涉及不可见粒子或不完整末态（例如 B-介子生成学，B-mesogenesis）的情景中。虽然 CERN 的 LHCb 实验拥有进行此类映射所需的精确径迹重建、顶点重建和粒子识别（PID）能力，但目前 LHCb 的味标记（flavour tagging）方法严重依赖次级顶点，并利用 DeepSets 架构。这些方法往往未能充分利用完整的碎裂历史、底层事件信息以及堆积（pileup）信息。此外，现有的标记器并未针对“不完整”衰变进行优化，即末态部分成分未留下探测器信号的情况。作者提出，借鉴 ATLAS 和 CMS 在喷注味标记（jet flavour tagging）方面的最新进展——特别是使用置换不变的粒子云和 Transformer 架构——来提升 LHCb 的标记性能，并将其研究范围扩展到带有不可见粒子的衰变过程。
方法论
本文引入了一种自监督学习框架，该框架直接从数据中学习重味强子化和衰变环境的“映射”，而不依赖于味标签或排他性衰变标签。
- 架构： 核心模型是一个粒子集 Transformer（particle set transformer）。它接收一个无序的重建喷注成分集合（每个喷注最多 64 个），包括运动学、位移信息以及来自 RICH 和量热计系统的概率性 PID 响应。编码器由五个 Transformer 块组成，具有 96 维嵌入维度和 8 个注意力头。
- 自监督任务： 模型被训练执行两个同时进行的任务：
- 掩码 PID 预测： 预测那些 PID 输入被隐藏的存留粒子的 PID 类型和响应区间。
- 粒子集补全： 预测从喷注视图中人工移除的成分的属性（多重数、运动学、电荷、身份和拓扑结构）。
- 数据增强： 在训练期间，根据特定规则（随机带电/中性粒子、异号对、角向局部组、位移顶点或级联衰变）从喷注中移除零到四个重建成分。模型必须仅基于存留粒子和全局喷注上下文来推断缺失的内容。
- 缺失性得分 (Smiss)：这是一个关键输出，其得分源自模型判断一个喷注是否不完整的概率。该得分计算为模型预测不完整喷注的概率与训练集中人工移除的基准概率之间的对数几率比（log-odds ratio）。
- 训练数据： 本研究使用了两个数据集：
- 模拟 LHCb 公开数据： 由 Pythia 8 和 EvtGen 生成，并经 Geant4 重建的对喷注事件（bbˉ、ccˉ、轻夸克部分量、Z→bbˉ）。这允许进行受控的“干预”测试，即移除特定的重建共振态。
- 2017 LHCb 公开数据（碰撞数据）： 用于训练一个不带任何味标签的独立模型，以验证该方法在真实探测器条件下的适用性。
主要贡献
- 自监督映射构建： 作者证明了 Transformer 可以通过推断掩码 PID 信息和补全缺失成分，学习到重味衰变环境的连续表示，从而有效地创建“强子化与衰变映射”。
- 标签效率： 研究表明，这种自监督表示能够捕捉具有物理意义的味和夸克电荷符号信息。当将其作为冻结特征提取器用于仿射探针（线性分类器）时，仅使用极小比例的有标签数据，即可恢复经过全标签训练的监督 Transformer 97%–100% 的性能。
- 通过干预进行异常检测： 本文引入了一种通过系统性地从喷注中移除重建衰变候选者（如 D0、B+）并观察缺失性得分增加的方法来检测异常。这验证了模型已学习到重味衰变的关联结构。
- 向碰撞数据的迁移： 该方法在真实的 2017 LHCb 碰撞数据上得到了验证。在这些数据上独立训练的模型，在移除重建出的粲或美衰变成分时，能够重现预期的“缺失性”响应，证实了所学映射的相关性。
结果
- 模拟性能：
- 模型区分完整喷注与人工不完整喷注的曲线下面积（AUC）为 0.72（综合），对于移除四个成分的喷注，AUC 上升至 0.87。
- 在味标记任务（如 b vs c，b vs 轻夸克）中，自监督探针的表现显著优于具有随机权重的 Transformer。例如，在 b vs c 分类中，仅使用 0.1% 的有标签训练数据，其 AUC 即可达到 0.83，而随机特征的 AUC 仅为 0.67。
- 综合 b-喷注的标记能力 (Ptag) 计算为 10.6%，c-喷注为 31.1%。
- 在模拟中，从 b-喷注中移除重建的 D0→Kπ 候选者会导致平均得分偏移 4.05，显著高于从同一喷注中移除匹配的随机径迹所观察到的 1.33 的偏移。
- 碰撞数据性能：
- 在 2017 碰撞数据上训练的模型，会对移除八种重建出的粲和美模式中的成分做出系统性反应。对于高统计量的粲模式，其信号响应超过了相邻的质量侧带。
- 模拟训练的仿射探针在不进行重训练的情况下应用于 2017 碰撞数据，成功分离了 B+ 和 B0 味类别以及瞬发 D0/D+ 衰变，展示了可迁移性。
- 对碰撞数据中高缺失性喷注的探索性分析揭示了基于相似性的不同聚类（例如，一组富含带电粒子、贫含中性粒子的喷注），这表明该方法可以组织异常事件以便进一步检查。
意义与主张
论文声称提供了一个概念验证，即通过自监督学习在喷注中映射重味衰变环境可以变革 LHCb 的味标记。作者强调：
- 该方法在表示学习阶段不依赖于排他性衰变标签或特定的 BSM 假设。
- 它成功弥合了模拟学习与真实碰撞数据之间的差距，验证了所学的“完整性”概念对应于物理衰变结构。
- 该方法为通过识别偏离所学补全映射的喷注，从而扩展到探测“不完整”或异常衰变（包括带有不可见粒子的衰变）提供了路径。
- 该技术与现有标记器互补，并且可以扩展到使用更大的喷注半径或全事件信息，以纳入对侧（opposite-side）和同侧（same-side）碎裂细节。
作者保持谦逊，指出目前的结果是初步的，且区分物理异常与探测器效应或重建失败需要进一步的校准、更大的数据集以及获取完整的事件记录（包括探测器命中信息）。他们将这项工作定位为探索重味衰变中 BSM 物理的数据驱动策略的基础性一步。
每周获取最佳 high-energy experiments 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。