Simple Science

Ciencia de vanguardia explicada de forma sencilla

# Física# Física de altas energías - Experimento# Análisis de datos, estadística y probabilidad

Avances en estudios de descomposición de belleza en LHCb

La Run 3 de LHCb se centra en la eficiencia y técnicas avanzadas para la investigación de la desintegración de belleza.

― 5 minilectura


La nueva era de LHCb enLa nueva era de LHCb enla descomposición debellezade belleza en la Carrera 3.para el análisis de la descomposiciónEl experimento LHCb mejora las técnicas
Tabla de contenidos

El experimento LHCb en el CERN se centra en estudiar las desintegraciones de belleza, específicamente cómo se comportan las partículas de belleza. A medida que el experimento avanza a su tercera fase, enfrenta nuevos retos y oportunidades debido a cambios en las condiciones de recolección de datos y avances tecnológicos.

Retos de la Fase 3

En la Fase 3, se espera que el experimento maneje un ritmo de datos mucho más alto de colisiones de protones-protones y iones pesados. Esto significa que el software y los sistemas informáticos tienen que ser más eficientes que nunca. En lugar de usar hardware para filtrar eventos, la colaboración del LHCb está implementando un sistema de disparo solo por software. Esto permite manejar mejor el aumento en la tasa de eventos mientras se mantiene un programa de física amplio.

Disparadores Topológicos

Un componente clave del nuevo sistema del LHCb es el disparador topológico. Este disparador selecciona candidatos a hadrones de belleza observando sus patrones de descomposición en lugar de centrarse en desintegraciones específicas. El objetivo es crear algoritmos que puedan identificar de manera eficiente eventos que podrían llevar a descubrimientos en física de partículas.

En fases anteriores, los algoritmos de selección estaban basados en árboles de decisión potenciados, que funcionaron bien, pero tenían limitaciones. Para la Fase 3, la elección ha cambiado a usar redes neuronales. Estos modelos avanzados son más adaptables a las condiciones cambiantes del detector y pueden identificar de manera efectiva partículas que quizás no se incluyeron en los datos de entrenamiento anteriores.

La Belleza en las Desintegraciones

Las partículas de belleza, o hadrones de belleza, tienen una característica distintiva: desintegran en dirección hacia adelante y tienen una vida más larga en comparación con otras partículas. Esto facilita al experimento rastrearlas mientras viajan a través del detector antes de descomponerse. El proceso de descomposición deja vértices secundarios, que se pueden usar para identificar desintegraciones de belleza con precisión.

Sin embargo, la luminosidad aumentada en la Fase 3 significa que se podrían registrar más vértices primarios en un solo evento. Esto crea un entorno más complejo que el software debe manejar. Los detectores y algoritmos mejorados necesitan trabajar juntos para enfrentar este desafío de manera efectiva.

Estructura del Disparador Topológico

El disparador topológico opera en dos etapas: Disparador de Alto Nivel 1 (HLT1) y Disparador de Alto Nivel 2 (HLT2). HLT1 procesa los datos entrantes y reduce la cantidad de información en un factor de 30. Los datos que pasan esta selección inicial se analizan más a fondo en HLT2, que es más preciso y considera la lectura completa del detector.

HLT2 contiene varios filtros de selección que apuntan a una amplia gama de procesos de descomposición. El disparador topológico busca específicamente seleccionar desintegraciones de belleza basándose en sus características únicas. Este enfoque único ayuda a mantener una selección inclusiva, lo que significa que puede identificar diferentes patrones de descomposición según su topología en lugar de solo tipos de descomposición específicos.

Implementando Redes Neuronales

Los nuevos algoritmos para el disparador topológico están construidos sobre redes neuronales Lipschitz monótonas. Estas redes están diseñadas para ser robustas contra cambios en las condiciones del detector. Al restringir la respuesta de la Red Neuronal, puede mantener el rendimiento incluso cuando se enfrenta a variaciones inesperadas en los datos.

El uso de la monotonía en las redes ayuda a mantener una respuesta consistente ante diversas características en los datos. Esto es particularmente importante para detectar partículas interesantes que pueden no encajar en los patrones habituales establecidos durante la fase de entrenamiento.

Manejo de Datos Complejos

Para entrenar las redes neuronales, se incluye una mezcla de desintegraciones de belleza exclusivas en el conjunto de datos. Esto ayuda a reducir sesgos y permite que el algoritmo generalice mejor, permitiéndole seleccionar eventos de descomposición que no fueron parte específica del conjunto de entrenamiento.

Las características consideradas en el entrenamiento incluyen variables cinemáticas como impulso y distancia de vuelo. Estas características son cruciales para distinguir entre desintegraciones de belleza y otros tipos de eventos, como las desintegraciones de encanto. Los clasificadores deben discriminar efectivamente contra los fondos que podrían oscurecer las señales interesantes que el LHCb está tratando de capturar.

Expectativas de Rendimiento

Se espera que el disparador topológico maneje la mayor parte de los datos de salida del sistema de disparador de alto nivel. Su objetivo es maximizar la eficiencia de señal mientras mantiene un seguimiento de cuántos datos se están almacenando. Los algoritmos están diseñados para mantener una eficiencia de señal de alrededor del 80%, incluso cuando se enfrentan a condiciones desafiantes.

Se presentan tres escenarios para el ancho de banda de salida para evaluar el rendimiento bajo diferentes condiciones. A medida que el sistema opera, se harán ajustes para garantizar que los algoritmos funcionen de manera efectiva y eficiente.

Conclusión

La implementación del disparador topológico para la Fase 3 del experimento LHCb representa un paso significativo en el estudio de las desintegraciones de belleza. Al usar técnicas avanzadas de redes neuronales, la colaboración busca mejorar el proceso de selección y aumentar las posibilidades de descubrir nuevos fenómenos en física de partículas.

A medida que el sistema se refine y optimice para un rendimiento ideal, es probable que conduzca a hallazgos más significativos, especialmente en relación con partículas de larga vida y potencial nueva física más allá del modelo estándar. El desarrollo y las pruebas continuas asegurarán que el LHCb siga siendo un jugador vital en la búsqueda por entender los aspectos fundamentales del universo.

Fuente original

Título: Development of the Topological Trigger for LHCb Run 3

Resumen: The data-taking conditions expected in Run 3 of the LHCb experiment at CERN are unprecedented and challenging for the software and computing systems. Despite that, the LHCb collaboration pioneers the use of a software-only trigger system to cope with the increased event rate efficiently. The beauty physics programme of LHCb is heavily reliant on topological triggers. These are devoted to selecting beauty-hadron candidates inclusively, based on the characteristic decay topology and kinematic properties expected from beauty decays. The following proceeding describes the current progress of the Run 3 implementation of the topological triggers using Lipschitz monotonic neural networks. This architecture offers robustness under varying detector conditions and sensitivity to long-lived candidates, improving the possibility of discovering New Physics at LHCb.

Autores: Nicole Schulte, Blaise Raheem Delaney, Niklas Nolte, Gregory Max Ciezarek, Johannes Albrecht, Mike Williams

Última actualización: 2023-06-20 00:00:00

Idioma: English

Fuente URL: https://arxiv.org/abs/2306.09873

Fuente PDF: https://arxiv.org/pdf/2306.09873

Licencia: https://creativecommons.org/licenses/by/4.0/

Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.

Gracias a arxiv por el uso de su interoperabilidad de acceso abierto.

Más de autores

Artículos similares