Машинное обучение меняет наше понимание «струй» частиц.

Обратная связь

3 августа 2023 г. | К

Что происходит, когда вместо того, чтобы регистрировать одиночный трек частицы или энерговыделение в вашем детекторе, вы видите сложную совокупность многих частиц со многими треками, которая оставляет большое количество энергии в ваших калориметрах? Тогда поздравляем: вы записали «джет»!

Джеты — это сложные экспериментальные следы, оставленные потоками сильно взаимодействующих кварков и глюонов. Изучая поток внутренней энергии струи, также известный как «субструктура струи», физики могут узнать о типе частицы, которая ее создала. Например, несколько предполагаемых новых частиц могут распадаться на тяжелые частицы Стандартной модели при чрезвычайно высоких (или «повышенных») энергиях. Эти частицы могли затем распасться на несколько кварков, оставив после себя «форсированные» многолучевые струи в эксперименте ATLAS.

Физики используют «таггеры», чтобы отличить эти струи от фоновых струй, созданных одиночными кварками и глюонами. Тип кварков, образующихся в струе, также может дать дополнительную информацию об исходной частице. Например, бозоны Хиггса и топ-кварки часто распадаются на b-кварки – рассматриваемые в ATLAS как «b-джеты», – которые можно отличить от других типов джетов по долгому времени жизни B-адрона.

Сложность самолетов естественным образом поддается использованию алгоритмов искусственного интеллекта (ИИ), которые способны эффективно обрабатывать большие объемы информации для принятия точных решений. Алгоритмы искусственного интеллекта уже несколько лет являются постоянной частью анализа данных ATLAS, и физики ATLAS постоянно расширяют эти инструменты до новых пределов. На этой неделе физики ATLAS представили четыре новых интересных результата о маркировке реактивных самолетов с использованием алгоритмов искусственного интеллекта на конференции BOOST 2023, проходившей в Национальной лаборатории Лоуренса Беркли (США).

Два результата продемонстрировали новые таггеры ATLAS, используемые для идентификации струй, возникающих в результате ускоренного распада W-бозона, в отличие от фоновых струй, возникающих из легких кварков и глюонов. Обычно алгоритмы искусственного интеллекта обучаются на «высокоуровневой» информации о субструктуре струи, записанной внутренним детектором и калориметрами ATLAS, такой как масса струи, коэффициенты корреляции энергии и масштабы расщепления струи. Вместо этого в этих новых исследованиях используется информация «низкого уровня» от тех же самых детекторов, такая как прямые кинематические свойства компонентов струи или новая двумерная параметризация излучения внутри струи (известная как «плоскость Лунд Джета»), построенная из составляющих джета и с использованием графиков, основанных на развитии ливня частиц (см. рисунок 1).

Эти новые тегеры позволили разделить форму сигнала и фон гораздо эффективнее, чем любые высокоуровневые тегеры, которые могли бы сделать это в одиночку (см. рисунок 2). В частности, тагер на основе самолета Lund Jet превосходит другие методы, поскольку использует те же входные данные для сетей искусственного интеллекта, но в другом формате, вдохновленном физикой развития струйного дождя.

Подобная эволюция последовала и при разработке нового усиленного тагера Хиггса, который идентифицирует струи, возникающие из усиленных бозонов Хиггса, распадающихся адронно на два b-кварка или c-кварка. Он также использует информацию низкого уровня — в этом случае треки, восстановленные с помощью внутреннего детектора, связанного с одиночной струей, содержащей распад бозона Хиггса. Этот новый тагер является самым производительным на сегодняшний день и представляет собой улучшение в 1,6–2,5 раза при повышении эффективности сигнала Хиггса на 50% по сравнению с предыдущей версией тагера, которая использовала информацию высокого уровня от самолета и б / c-кварк распадается как входные данные для нейронной сети (см. рисунок 3).

Наконец, исследователи ATLAS представили два новых таггера, цель которых - различать струи, исходящие из кварков, и струи, исходящие из глюонов. Один из техгеров изучал множественность компонентов заряженных частиц в меченых струях, в то время как другой объединял несколько переменных кинематики и субструктуры струи, используя расширенное дерево решений. Физики сравнили производительность этих кварк-глюонных тагеров; На рис. 4 показано исключение глюонных струй в зависимости от эффективности отбора кварков при моделировании. Несколько исследований процессов Стандартной модели, включая синтез векторных бозонов, и новые физические поиски с сигналами, богатыми кварками, могут принести большую пользу от этих тегеров. Однако для их использования в анализе необходимо внести дополнительные поправки на эффективность сигнала и подавление фона, чтобы обеспечить одинаковую производительность тегеров в данных и моделировании. Исследователи измерили как эффективность, так и процент отказов в данных запуска-2 для этих тегеров и обнаружили хорошее соответствие между измеренными данными и прогнозами; поэтому необходимы лишь небольшие поправки.