L’apprendimento automatico sta rivoluzionando la nostra comprensione dei “getti” di particelle

Feedback

3 agosto 2023 | Di

Cosa succede quando – invece di registrare una singola traccia di particelle o un deposito di energia nel tuo rilevatore – vedi una raccolta complessa di molte particelle, con molte tracce, che lascia una grande quantità di energia nei tuoi calorimetri? Allora complimenti: hai registrato un “getto”!

I getti sono le complicate tracce sperimentali lasciate da sciami di quark e gluoni che interagiscono fortemente. Studiando il flusso di energia interna di un getto – noto anche come “sottostruttura del getto” – i fisici possono conoscere il tipo di particella che lo ha creato. Ad esempio, diverse nuove particelle ipotizzate potrebbero decadere in particelle pesanti del Modello Standard a energie estremamente elevate (o “potenziate”). Queste particelle potrebbero poi decadere in più quark, lasciando dietro di sé getti su più fronti “potenziati” nell’esperimento ATLAS.

I fisici usano i “tagger” per distinguere questi getti dai getti di fondo creati da singoli quark e gluoni. Il tipo di quark prodotti nel getto può anche fornire informazioni aggiuntive sulla particella originale. Ad esempio, i bosoni di Higgs e i quark top spesso decadono in quark b – visti in ATLAS come “b-jet” – che possono essere distinti da altri tipi di getti grazie alla lunga vita dell’adrone B.

La complessità dei jet si presta naturalmente agli algoritmi di intelligenza artificiale (AI), che sono in grado di distillare in modo efficiente grandi quantità di informazioni in decisioni accurate. Gli algoritmi di intelligenza artificiale fanno parte regolarmente dell'analisi dei dati di ATLAS da diversi anni, con i fisici di ATLAS che spingono continuamente questi strumenti verso nuovi limiti. Questa settimana, i fisici di ATLAS hanno presentato quattro nuovi entusiasmanti risultati sul jet tagging utilizzando algoritmi di intelligenza artificiale alla conferenza BOOST 2023 tenutasi al Lawrence Berkeley National Lab (USA).

Due risultati hanno mostrato nuovi tagger ATLAS utilizzati per identificare i getti provenienti da un decadimento potenziato del bosone W rispetto ai getti di fondo originati da quark leggeri e gluoni. In genere, gli algoritmi di intelligenza artificiale vengono addestrati su informazioni di “alto livello” sulla sottostruttura del getto registrate dal rilevatore interno di ATLAS e dai calorimetri, come la massa del getto, i rapporti di correlazione energetica e le scale di suddivisione del getto. Questi nuovi studi utilizzano invece informazioni di “basso livello” provenienti da questi stessi rilevatori – come le proprietà cinematiche dirette dei costituenti di un getto o la nuova parametrizzazione bidimensionale della radiazione all’interno di un getto (noto come “aereo Lund Jet”), costruito dai costituenti del getto e utilizzando grafici basati sullo sviluppo dello sciame di particelle (vedi Figura 1).

Questi nuovi tagger hanno reso possibile separare la forma del segnale e dello sfondo in modo molto più efficace di quanto qualsiasi tagger di alto livello potrebbe fare da solo (vedere Figura 2). In particolare, il tagger basato sull’aereo Lund Jet supera gli altri metodi, utilizzando lo stesso input per le reti di intelligenza artificiale ma in un formato diverso ispirato alla fisica dello sviluppo della doccia a getto.

Un'evoluzione simile è stata seguita per lo sviluppo di un nuovo tagger di Higgs potenziato, che identifica i getti originati da bosoni di Higgs potenziati che decadono adronicamente in due quark b o quark c. Utilizza anche informazioni di basso livello – in questo caso, tracce ricostruite dal rilevatore interno associato al singolo getto contenente i decadimenti del bosone di Higgs. Questo nuovo tagger è il tagger più performante fino ad oggi e rappresenta un fattore di miglioramento da 1,6 a 2,5, con un'efficienza del segnale Higgs potenziata del 50%, rispetto alla versione precedente del tagger, che utilizzava informazioni di alto livello dal jet e b/ Il quark c decade come input per una rete neurale (vedi Figura 3).

Infine, i ricercatori ATLAS hanno presentato due nuovi tagger che mirano a distinguere tra i getti originati dai quark e quelli originati dai gluoni. Un tagger ha esaminato la molteplicità dei costituenti delle particelle cariche dei getti taggati, mentre l'altro ha combinato diverse variabili cinematiche e di sottostruttura del getto utilizzando un albero decisionale potenziato. I fisici hanno confrontato le prestazioni di questi tagger quark/gluoni; La Figura 4 mostra il rifiuto dei getti di gluoni in funzione dell'efficienza di selezione dei quark nella simulazione. Diversi studi sui processi del Modello Standard – inclusa la fusione dei bosoni vettoriali – e nuove ricerche di fisica con segnali ricchi di quark potrebbero trarre grandi benefici da questi tagger. Tuttavia, affinché possano essere utilizzati nelle analisi, è necessario applicare ulteriori correzioni sull'efficienza del segnale e sulla reiezione dello sfondo per mantenere le stesse prestazioni dei tagger nei dati e nella simulazione. I ricercatori hanno misurato sia l'efficienza che i tassi di rifiuto nei dati della Fase 2 per questi tagger e hanno riscontrato un buon accordo tra i dati misurati e le previsioni; pertanto sono necessarie solo piccole correzioni.