Au Grand collisionneur de hadrons, des protons entrent en collision et des dizaines de particules naissent de l'éclair. Parmi elles peuvent se trouver les traces de processus rares – par exemple, la désintégration du boson de Higgs en deux bosons W. Mais ces particules s'éloignent si vite que leurs traces se fondent en un seul jet large. Distinguer un tel jet parmi des milliers de jets similaires, c'est comme trouver la bonne branche dans une forêt bruyante.
Le nouvel algorithme, nommé PaRT, agit comme un observateur attentif. Il examine chaque particule à l'intérieur du jet et décide lui-même lesquelles sont les plus importantes. Cette approche s'appelle le mécanisme d'attention – elle est à la base des réseaux de neurones modernes. PaRT a été entraîné sur de nombreux exemples : des jets ordinaires et des jets issus de désintégrations de différentes particules. Pour la première fois, un algorithme reconnaît bien les jets du boson de Higgs se désintégrant en bosons W.
Les physiciens ont testé l'algorithme sur les données collectées par CMS sur plusieurs années de fonctionnement. Il s'est avéré que dans les collisions réelles, il fonctionne aussi bien que dans les simulations, avec un facteur de correction d'environ 0.9–1.0. Cela signifie qu'on peut lui faire confiance. Désormais, PaRT aidera à mesurer plus précisément les propriétés du boson de Higgs et à chercher de nouvelles particules qui se désintègrent de manière similaire.
La forêt de particules devient plus claire lorsqu'on dispose d'un outil capable de mettre en évidence l'essentiel. PaRT est un tel outil : il ne se contente pas de voir les jets, il comprend de quoi ils sont faits.
tel que rédigé par les auteurs, en anglais arXiv:2604.09809
A novel deep neural network classifier, a ``Particle transformer'' (PaRT), is introduced for the identification of highly Lorentz-boosted resonances reconstructed as single, multipronged jets in measurements and searches performed by the CMS Collaboration at the CERN LHC. Based on a self-attention mechanism that allows the model to weigh the importance of different particles, PaRT is trained on a wide variety of topologies, notably demonstrating strong performance for the first time on jets originating from boosted Higgs boson decays to W bosons. The PaRT algorithm achieves a tagging efficiency of more than 50\% for such jets at a background efficiency of 1%, while maintaining decorrelation from the jet mass. A calibration is performed in proton-proton collision data collected by CMS at a center-of-mass energy of 13 TeV, with a data set corresponding to a total luminosity of 138 fb$$^{-1}$$. Data-to-simulation selection efficiency scale factors are measured to be in the 0.9$$-$$1.0 range, with relative uncertainties between 7 and 23%. The tagging capability of PaRT enhances the sensitivity of standard model measurements and searches for beyond-the-standard-model resonances decaying to hadronic diboson systems.
Le jet issu d'un boson de Higgs rapide est si étroit que toutes ses particules volent dans un cône de moins d'un degré – comme si, depuis l'autre bout du terrain, on visait une pièce de monnaie posée dans les buts de football.
Dans la série « Star Trek », les capteurs du vaisseau identifient instantanément les types de particules et leur énergie – PaRT fait un pas vers une telle précision, mais pour un collisionneur terrestre.