O aprendizado de máquina está revolucionando nossa compreensão dos “jatos” de partículas

Opinião

3 de agosto de 2023 | Por

O que acontece quando – em vez de registrar um único rastro de partícula ou depósito de energia em seu detector – você vê uma coleção complexa de muitas partículas, com muitos rastros, que deixa uma grande quantidade de energia em seus calorímetros? Então parabéns: você gravou um “jato”!

Os jatos são assinaturas experimentais complicadas deixadas por chuvas de quarks e glúons de forte interação. Ao estudar o fluxo de energia interno de um jato – também conhecido como “subestrutura do jato” – os físicos podem aprender sobre o tipo de partícula que o criou. Por exemplo, várias novas partículas hipotéticas poderiam decair em partículas pesadas do Modelo Padrão com energias extremamente altas (ou “aumentadas”). Essas partículas poderiam então decair em múltiplos quarks, deixando para trás jatos multifacetados “impulsionados” no experimento ATLAS.

Os físicos usam “marcadores” para distinguir esses jatos dos jatos de fundo criados por quarks e glúons únicos. O tipo de quarks produzidos no jato também pode fornecer informações extras sobre a partícula original. Por exemplo, os bósons de Higgs e os quarks top frequentemente decaem em quarks b – vistos no ATLAS como “jatos b” – que podem ser distinguidos de outros tipos de jatos usando o longo tempo de vida do hádron B.

A complexidade dos jatos presta-se naturalmente aos algoritmos de Inteligência Artificial (IA), que são capazes de destilar eficientemente grandes quantidades de informações em decisões precisas. Os algoritmos de IA têm sido uma parte regular da análise de dados do ATLAS há vários anos, com os físicos do ATLAS continuamente levando essas ferramentas a novos limites. Esta semana, os físicos do ATLAS apresentaram quatro novos resultados interessantes sobre jet tagging usando algoritmos de IA na conferência BOOST 2023 realizada no Lawrence Berkeley National Lab (EUA).

Dois resultados apresentaram novos marcadores ATLAS usados ​​para identificar jatos provenientes de um decaimento intensificado do bóson W, em oposição aos jatos de fundo originados de quarks leves e glúons. Normalmente, os algoritmos de IA são treinados em informações de “alto nível” da subestrutura do jato registradas pelo detector interno e calorímetros do ATLAS – como a massa do jato, taxas de correlação de energia e escalas de divisão do jato. Em vez disso, estes novos estudos utilizam informações de “baixo nível” destes mesmos detectores – tais como as propriedades cinemáticas directas dos constituintes de um jacto ou a nova parametrização bidimensional da radiação dentro de um jacto (conhecido como “avião Lund Jet”), construído dos constituintes do jato e usando gráficos baseados no desenvolvimento da chuva de partículas (ver Figura 1).

Esses novos etiquetadores tornaram possível separar a forma do sinal e do fundo de maneira muito mais eficaz do que qualquer etiquetador de alto nível poderia fazer sozinho (ver Figura 2). Em particular, o etiquetador baseado no avião Lund Jet supera os outros métodos, ao utilizar a mesma entrada para as redes de IA, mas num formato diferente, inspirado na física do desenvolvimento do chuveiro de jacto.

Uma evolução semelhante foi seguida para o desenvolvimento de um novo marcador de Higgs potenciado, que identifica jatos originados de bósons de Higgs potenciados que decaem hadronicamente em dois quarks b ou quarks c. Ele também usa informações de baixo nível – neste caso, trilhas reconstruídas a partir do detector interno associado ao único jato contendo o decaimento do bóson de Higgs. Este novo etiquetador é o etiquetador com melhor desempenho até o momento e representa um fator de melhoria de 1,6 a 2,5, com uma eficiência de sinal de Higgs aumentada em 50%, em relação à versão anterior do etiquetador, que usava informações de alto nível do jato e b/ c-quark decai como entrada para uma rede neural (veja a Figura 3).

Por fim, os pesquisadores do ATLAS apresentaram dois novos taggers que visam diferenciar entre jatos originados de quarks e aqueles originados de glúons. Um etiquetador analisou a multiplicidade de constituintes de partículas carregadas dos jatos sendo etiquetados, enquanto o outro combinou várias variáveis ​​cinemáticas e de subestrutura do jato usando uma Árvore de Decisão Impulsionada. Os físicos compararam o desempenho desses marcadores de quark/glúon; A Figura 4 mostra a rejeição de jatos de glúons em função da eficiência de seleção de quarks na simulação. Vários estudos de processos do Modelo Padrão – incluindo a fusão de bósons vetoriais – e novas pesquisas físicas com sinais ricos em quarks poderiam se beneficiar muito com esses taggers. Porém, para que possam ser utilizados em análises, correções adicionais na eficiência do sinal e na rejeição de fundo precisam ser aplicadas para que o desempenho dos taggers em dados e simulação seja o mesmo. Os pesquisadores mediram a eficiência e as taxas de rejeição nos dados do Run-2 para esses etiquetadores e encontraram uma boa concordância entre os dados medidos e as previsões; portanto, apenas pequenas correções são necessárias.