El aprendizaje automático está revolucionando nuestra comprensión de los “chorros” de partículas

Comentario

3 de agosto de 2023 | Por

¿Qué sucede cuando, en lugar de registrar una única trayectoria de partícula o depósito de energía en su detector, ve una colección compleja de muchas partículas, con muchas trayectorias, que deja una gran cantidad de energía en sus calorímetros? Entonces enhorabuena: ¡has grabado un “jet”!

Los chorros son las complicadas firmas experimentales que dejan las lluvias de quarks y gluones que interactúan fuertemente. Al estudiar el flujo de energía interno de un chorro, también conocido como “subestructura del chorro”, los físicos pueden aprender sobre el tipo de partícula que lo creó. Por ejemplo, varias nuevas partículas hipotéticas podrían descomponerse en partículas pesadas del modelo estándar a energías extremadamente altas (o “impulsadas”). Estas partículas podrían luego descomponerse en múltiples quarks, dejando atrás chorros múltiples "impulsados" en el experimento ATLAS.

Los físicos utilizan "marcadores" para distinguir estos chorros de los chorros de fondo creados por quarks y gluones individuales. El tipo de quarks producidos en el chorro también puede proporcionar información adicional sobre la partícula original. Por ejemplo, los bosones de Higgs y los quarks top a menudo se descomponen en quarks b (vistos en ATLAS como “jets b”) que pueden distinguirse de otros tipos de jets gracias a la larga vida útil del hadrón B.

La complejidad de los aviones se presta naturalmente a los algoritmos de Inteligencia Artificial (IA), que son capaces de sintetizar de manera eficiente grandes cantidades de información en decisiones precisas. Los algoritmos de IA han sido una parte habitual del análisis de datos de ATLAS durante varios años, y los físicos de ATLAS llevan continuamente estas herramientas a nuevos límites. Esta semana, los físicos de ATLAS presentaron cuatro nuevos e interesantes resultados sobre el jet tag utilizando algoritmos de IA en la conferencia BOOST 2023 celebrada en el Laboratorio Nacional Lawrence Berkeley (EE. UU.).

Dos resultados mostraron nuevos marcadores ATLAS utilizados para identificar chorros provenientes de una desintegración potenciada del bosón W en contraposición a los chorros de fondo originados por quarks ligeros y gluones. Normalmente, los algoritmos de IA se entrenan con información de "alto nivel" de la subestructura del chorro registrada por el detector interno y los calorímetros de ATLAS, como la masa del chorro, las relaciones de correlación de energía y las escalas de división del chorro. En cambio, estos nuevos estudios utilizan información de "bajo nivel" procedente de estos mismos detectores, como las propiedades cinemáticas directas de los componentes de un jet o la novedosa parametrización bidimensional de la radiación dentro de un jet (conocida como el "avión Lund Jet"), construida a partir de los componentes del chorro y utilizando gráficos basados ​​en el desarrollo de la lluvia de partículas (ver Figura 1).

Estos nuevos etiquetadores hicieron posible separar la forma de la señal y el fondo de manera mucho más efectiva que cualquier etiquetador de alto nivel por sí solo (consulte la Figura 2). En particular, el etiquetador basado en aviones de Lund Jet supera a los otros métodos, al utilizar la misma entrada a las redes de IA pero en un formato diferente inspirado en la física del desarrollo de la ducha de chorro.

Se siguió una evolución similar para el desarrollo de un nuevo etiquetador de Higgs potenciado, que identifica chorros que se originan a partir de bosones de Higgs potenciados que se desintegran hadrónicamente en dos quarks b o quarks c. También utiliza información de bajo nivel, en este caso, pistas reconstruidas a partir del detector interno asociado con el chorro único que contiene las desintegraciones del bosón de Higgs. Este nuevo etiquetador es el etiquetador de mayor rendimiento hasta la fecha y representa una mejora de factor de 1,6 a 2,5, con una eficiencia de la señal de Higgs aumentada en un 50%, respecto a la versión anterior del etiquetador, que utilizaba información de alto nivel del chorro y b/ El quark c se desintegra como entrada para una red neuronal (ver Figura 3).

Finalmente, los investigadores de ATLAS presentaron dos nuevos etiquetadores que tienen como objetivo diferenciar entre chorros originados por quarks y aquellos provenientes de gluones. Un etiquetador observó la multiplicidad de constituyentes de partículas cargadas de los chorros que se estaban etiquetando, mientras que el otro combinó varias variables cinemáticas y de subestructura del chorro utilizando un árbol de decisión impulsado. Los físicos compararon el rendimiento de estos marcadores de quarks/gluones; La Figura 4 muestra el rechazo de chorros de gluones en función de la eficiencia de selección de quarks en la simulación. Varios estudios de procesos del modelo estándar (incluida la fusión de bosones vectoriales) y nuevas búsquedas físicas con señales ricas en quarks podrían beneficiarse enormemente de estos marcadores. Sin embargo, para que se puedan utilizar en análisis, es necesario aplicar correcciones adicionales en la eficiencia de la señal y el rechazo de fondo para que el rendimiento de los etiquetadores en datos y simulación sea el mismo. Los investigadores midieron tanto la eficiencia como las tasas de rechazo en los datos de Run-2 para estos etiquetadores y encontraron una buena concordancia entre los datos medidos y las predicciones; por lo tanto, sólo se necesitan pequeñas correcciones.

El excelente rendimiento de estos nuevos jet taggers no está exento de dudas. Fundamentalmente, ¿cómo pueden los investigadores interpretar lo que aprendieron los modelos de aprendizaje automático? ¿Y por qué las arquitecturas más complejas muestran una mayor dependencia del modelado de procesos físicos simulados utilizados para el entrenamiento, como se muestra en los dos estudios de etiquetado W? Dejando a un lado los desafíos, estos etiquetadores establecen una base excepcional para analizar los datos del LHC Run-3. Dados los avances actuales en el aprendizaje automático, se espera que su aplicación continua a la física de partículas aumente la comprensión de los chorros y revolucione el programa de física ATLAS en los próximos años.

Informe de física | 1 de agosto de 2023

Noticias | 31 julio 2023

Noticias | 23 de marzo de 2022