⚛️ high-energy experiments

A machine-learning method for the estimation of the background from jets misidentified as hadronic tau lepton decays

本文提出了 MUFFIN，这是一种利用提升决策树重加权（boosted decision tree reweighting）的机器学习方法，用于从 CMS 数据中被误识别为强子 $\tau$ 轻子的喷注中估计本底，该方法显著改善了运动学建模，并与传统的低维参数化技术相比，将相关的系统不确定性降低了高达 70%。

原作者： CMS Collaboration

发布于 2026-10-12

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： CMS Collaboration

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在欧洲核子研究中心（CERN）大型强子对撞机内发生的那些高能碰撞中，科学家们正不断寻找宇宙中最基本粒子的细微指纹。在这些粒子中，τ轻子（tau lepton）占据着特殊的地位。它是电子家族中质量最重的成员，由于其质量如此之大，在产生后几乎会瞬间发生衰变。当它衰变为其他粒子时，通常会留下强子喷注（hadrons），这是一种包括质子和中子在内的特定类型的粒子。探测这些喷注至关重要，因为它们是理解希格斯玻色子（即赋予其他物质质量的粒子）以及搜寻超越当前理论的新物理学的关键特征。然而，寻找这些τ喷注就像是在茂密的森林中寻找某种特定的鸟类；森林里充满了由质子碰撞产生的普通喷注，而这些喷注看起来与科学家们正在寻找的τ喷注极其相似。将真实的信号从这些压倒性的伪装背景中区分出来，是现代粒子物理学中最困难的挑战之一。

多年来，研究人员一直依赖一种被称为“伪因子”（Fake Factor）的技术来估算普通喷注误导探测器使其认为其为τ轻子的频率。这种方法通过观察已知存在喷注的特定数据区域，并计算一个简单的比例，以此来预测这些喷注出现在科学家寻找新物理现象的区域中的数量。虽然这种方法一直很有效，但它基于一套简化假设。它将复杂的粒子行为视为一个平坦的二维地图，忽略了不同碰撞属性之间错综复杂的、多层级的关系。随着实验变得更加精确且数据更加丰富，这些简化处理开始显现出其局限性，由此产生的误差可能会掩盖科学家试图寻找的信号。

来自CERN的CMS合作组的一项新研究引入了一个更复杂的解决方案，利用机器学习来构建更准确的背景噪声图像。团队开发了一种名为MUFFIN的技术，其全称为“多元伪因子推断”（MUltivariate Fake-Factor INfernce）。该方法不再依赖简单的低维比例，而是使用一种被称为“提升决策树”（boosted decision tree）的人工智能类型，直接从碰撞数据本身进行学习。该系统经过训练，能够识别区分真实τ轻子与仅仅是模仿其行为的喷注之间的微妙的多维模式。通过同时分析大量的特征——例如粒子的能量、方向以及事件的整体形状——该算法构建了一张关于喷注被误识别频率的详细三维地图。这使得研究人员能够为每一个粒子候选者应用一个独特的修正因子，而不是对整个群体应用一个宽泛的平均值。

研究人员使用CMS探测器在2022年和2023年记录的大规模质子-质子碰撞数据集对这一新方法进行了测试，这些数据对应于13.6太电子伏特（TeV）碰撞能量下62.4个反常费米（inverse femtobarns）的积分亮度。他们将这种机器学习方法的表现与传统的伪因子技术进行了对比，涵盖了包括希格斯玻色子搜索和重型新粒子研究在内的多种场景。结果显示出清晰且显著的改进。新方法能够以更高的保真度模拟背景喷注的行为，特别是在粒子具有极高能量的区域，而这些区域往往是发现新物理学最关键的领域。在传统方法中，简化假设经常导致预测的背景与实际观测值之间存在差异，迫使研究人员必须在计算中加入巨大的安全余量，以应对这种不确定性。

通过使用MUFFIN方法，这些差异得到了大幅减少。研究发现，在某些通道中，与喷注误识别为τ轻子相关的系统不确定性降低了高达70%。这种减少不仅仅是一个统计细节；它从根本上改变了实验的灵敏度。通过收紧对背景噪声的约束，研究人员现在可以更清晰地观察数据，从而更容易捕捉到那些可能在噪声中消失的微弱新粒子或罕见过程的信号。该方法在不同类型的碰撞事件中表现稳健，并被证明无论是在τ轻子成对产生还是与μ子等其他粒子共同产生的情况下，都能有效工作。

这一方法的成功表明，机器学习可以成功地整合进实验物理的核心，而不会丧失该领域严谨的、数据驱动的本质。MUFFIN方法并不依赖于理论模拟来猜测背景的行为；相反，它直接从探测器收集的真实世界数据中学习答案。这使得结果更加可靠，并使工作流程更加高效，消除了此前为了修复旧方法缺陷而必须进行的复杂、多步骤修正。随着大型强子对撞机继续收集数据，这项技术为未来的发现提供了强大的工具，使物理学家能够以更高的信心和精度推动知识的边界。这种能够清晰辨别信号与噪声的能力，是人类在理解支配宇宙基本规律的探索过程中迈出的至关重要的一步。

技术摘要：MUFFIN —— 一种用于喷注到 $\tau$ 莱普顿背景估计的机器学习方法

问题陈述
在涉及 CMS 实验中强子衰变 $\tau$ 莱普顿（ $\tau_h$ ）的分析中，一个主要的实验挑战是来源于夸克和胶子诱导喷注误识别为 $\tau_h$ 候选者的背景（ $jet \to \tau_h$ ）。这些背景主要源于 QCD 多喷注产生、 $W$ +喷注以及顶夸克对（ $t\bar{t}$ ）过程，它们模拟了 $\tau_h$ 衰变的复杂实验特征。估计此类背景的标准方法是“假因子”（Fake Factor, FF）法，该方法依赖于从数据驱动控制区导出的转移因子（Transfer Factors, TFs）的低维参数化。然而，FF 方法存在固有的局限性：它假设误识别概率在有限的一组运动学变量间是可分解的，忽略了物体级变量与事件级变量之间的相关性。这导致了在稀疏填充分箱中的统计限制、由于缺失变量依赖性导致的系统不确定性，以及需要复杂的、多步骤的校正工作流，从而降低了物理分析（特别是在高 $p_T$ 区域和多变量判别器中）的整体精度和灵敏度。

方法论：MUFFIN 方法
本文介绍了一种基于机器学习的 FF 方法替代方案——Multivariate Fake-Factor INference（MUFFIN）。MUFFIN 通过使用直接从观测数据中学习的多维、逐个物体的重加权函数，取代了显式的低维参数化，从而推广了背景估计范式。

核心机制： 该方法采用提升决策树（BDT），通过 XGBOOST 框架实现，旨在区分通过常规识别要求（“pass”）的 $\tau_h$ 候选者与未通过常规要求但通过了较宽松工作点（“fail”）的候选者。
训练策略： BDT 在富含特定背景过程（QCD 多喷注、 $W$ +喷注和 $t\bar{t}$ ）的“确定区域”（Determination Regions, DRs）中进行训练。训练输入包括局部物体属性（例如 $\tau_h$ 衰变模式、 $p_T$ 、 $\eta$ 、 $\phi$ 以及喷注 $p_T$ 与 $\tau_h$ $p_T$ 的比值）和全局事件变量（例如总喷注多重数、 $b$ -标记喷注数量）。至关重要的是，该方法对于目标 $jet \to \tau_h$ 成分是完全数据驱动的；在训练或减除步骤中均未使用针对特定 $jet \to \tau_h$ 过程的模拟。
权重推导： BDT 输出通过温度缩放进行校准，以确保其代表经过良好校准的类概率。构建一个连续的多维转移因子 $w_{\text{MUFFIN}}(z)$ ，它是通过 $P_{\text{pass}}(z) / P_{\text{fail}}(z)$ 计算得出的，其中 $z$ 代表完整的特征向量。通过减去来自模拟的真实 $\tau$ 贡献，从而分离出喷注误识别率。
验证： 该方法的性能在与 DR 和信号区（SR）正交的“验证区域”（Validation Regions, VRs）中进行评估。分析利用了 CMS 在 $\sqrt{s} = 13.6$ TeV 下收集的具有 62.4 fb $^{-1}$ 积分亮度的质子-质子碰撞数据（2022–2023 年）。

主要贡献

多维重加权： MUFFIN 捕捉了传统 FF 方法因依赖固定分箱和分解假设而无法高效参数化的多种运动学和拓扑变量之间的相关性。
数据驱动的鲁棒性： 该方法保持了针对主导 $jet \to \tau_h$ 成分的完全数据驱动特性，避免了依赖模拟来获取特定喷注误识别概率。
统一的工作流： 它提供了一个更具可重复性和流线型的背景估计工作流，降低了定义多个参数化和校正步骤的复杂性。
算法独立性： 虽然在 DEEPTAU v2.5 识别算法中进行了演示，但 MUFFIN 框架旨在适应未来识别算法的发展。

结果
将 MUFFIN 与标准 FF 方法进行的性能对比研究展示了在背景建模方面的显著改进：

改进的建模： MUFFIN 在关键运动学可观测量方面实现了更优的建模，包括可见质量（ $m_{\text{vis}}$ ）、总横向质量（ $m_{\text{total}}_T$ ）以及衰变产物间的角距离（ $\Delta R$ ）。这种改进在 $\eta$ 和衰变模式分布中尤为显著，因为 FF 方法对这些变量的边缘化处理导致了残余的建模偏差。
系统不确定性降低： 建模的改进直接转化为 $jet \to \tau_h$ 背景系统不确定性的降低。在 $\tau_h\tau_h$ 通道中，在高 $p_T$ 尾部和多变量判别器区域，系统不确定性降低了高达 70%。在 $\tau_\mu\tau_h$ 通道中，观察到约 10% 的降低，并预计随着数据样本量的增加，增益会更大。
闭合测试： 在验证区域中，在各种可观测量和分析类别（包括 STXS 类别和高质量共振搜索区域）中，MUFFIN 始终比 FF 方法产生更低的平均绝对泊松拉回（mean absolute Poisson pulls, $\langle|z|\rangle$ ）。
特定通道： 该方法被应用于全强子 $\tau_h\tau_h$ 通道（其中 $jet \to \tau_h$ 构成约 75% 的背景）和半轻子 $\tau_\mu\tau_h$ 通道（约 35% 背景），表现出稳健的性能。

意义与主张
论文声称，MUFFIN 为涉及 $\tau_h$ 末态的精密测量和超越标准模型（BSM）物理搜索提供了一种稳健且可扩展的方法。通过直接从数据中学习误识别概率的多维依赖关系，MUFFIN 解决了低维参数化的局限性，特别是在对运动学敏感度极高的区域（如高 $p_T$ 尾部和多变量判别器输出）。作者指出，这种方法能够在不引入已建模区域不稳定性方面，实现系统不确定性的降低，从而增强未来 CMS 分析的灵敏度。该方法被视为在分析日益利用细粒度分类和多维相空间信息时，提高背景建模精度的自然框架。

类似论文