Development and performance of a transformer-based lepton isolation algorithm with the ATLAS experiment
本文介绍了即时轻子隔离分类器（PLIT）的开发、性能评估与校准，这是一种用于 ATLAS 实验的基于 Transformer 的算法，与传统的隔离方法相比，它显著提高了在 13.6 TeV 质子-质子碰撞中对即时电子和缪子的识别能力。
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
在大型强子对撞机内部的高能碰撞中，粒子以巨大的力量相互撞击，从而创造出一系列新的物质。在这些碎片中，物理学家寻找被称为轻子的特定粒子，例如电子和缪子，这些轻子通常是在重质量不稳定粒子衰变时产生的。这些“瞬发”（prompt）轻子非常珍贵，因为它们是稀有基本过程（如希格斯玻色子的产生或顶夸克衰变）的清晰特征信号。然而，碰撞环境是混乱的。许多其他粒子，特别是那些由重味强子衰变产生的粒子，可能会模仿这些清晰的轻子。这些“非瞬发”（non-prompt）轻子通常诞生于距离主碰撞点稍远的地方，并且被一团其他碎片的云雾所包围，这使得它们与瞬发轻子相比显得杂乱无章。区分这种清晰的信号与嘈杂的背景对于精确测量物理定律至关重要，但这也仍然是实验中最困难的任务之一。
一位在 ATLAS 实验工作的研究人员开发了一种新工具来解决这一问题，该工具超越了传统方法，转而使用一种被称为“Transformer”的人工智能类型。这个名为“瞬发轻子隔离标签器”（Prompt Lepton Isolation Tagger，简称 PLIT）的新系统，旨在区分来自于初级碰撞的轻子与来自于较重粒子衰变的轻子。PLIT 不再依赖于计算粒子附近能量多少的简单规则，而是观察轻子的整个邻域。它检查多达四十个在候选轻子附近运动的带电粒子的路径，分析它们的轨迹、速度以及彼此之间的关系。通过同时处理这一复杂的信息网，该算法能够学习识别出那些指示轻子是真正孤立的，还是隐藏在其他粒子簇中的微妙模式。
研究人员利用来自顶夸克对产生过程的海量模拟数据训练了这个神经网络，这一过程自然地生成了算法所需的既有清晰瞬发轻子、又有杂乱非瞬发轻子的数据。他们在对撞机 2022 年至 2024 年运行期间记录的数据上测试了该系统，当时质心能量为 13.6 兆电子伏特（TeV）。结果表明，由于采用了新算法，其表现明显优于上一代工具。对于缪子，在保持相同背景噪声抑制水平的情况下，新系统可以提高 10% 的瞬发粒子识别效率。对于电子，改进更为显著：在探测器的端部区域（barrel region），效率提升达到了 50%；而在端盖区域（endcap regions），该系统在相同的背景抑制率下使效率翻了一番。这意味着物理学家现在可以在不被虚假信号淹没的情况下，看到更多他们正在寻找的稀有事件。
为了确保这些结果在现实世界的物理测量中是可靠的，研究人员并未止步于模拟。他们利用 Z 玻色子衰变为两个轻子的真实碰撞数据对算法进行了校准，这一过程提供了一个已知的瞬发粒子样本。通过比较算法在这些真实数据上的表现与模拟数据的表现，他们推导出了修正因子，使物理学家能够准确地调整他们的模型。研究证实，即使在同时碰撞次数增加（即所谓的“堆积”现象，这可能会干扰简单的探测器）的情况下，这种新标签器依然保持稳健。这项工作代表了 ATLAS 协作组处理粒子识别方式的一种转变——从静态规则转向一种能够理解每个粒子所处环境的动态学习系统。这一进步有望提高未来测量的精度，使科学家能够以前所未有的清晰度去探索宇宙的基本结构。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。