. .

Flavour-Tagging mit ATLAS

Die Identifikation von Teilchenjets, die aus Bottom-, Charm- oder anderen Quarks hervorgehen, ist für zahlreiche Messungen und Suchen am ATLAS-Experiment am CERN von entscheidender Bedeutung. Diese Technik, das sogenannte Flavour-Tagging, spielt insbesondere bei Untersuchungen des Higgs-Bosons und des Top-Quarks sowie bei der Suche nach seltenen Prozessen und neuer Physik jenseits des Standardmodells eine zentrale Rolle.

An der Universität Siegen entwickeln wir moderne Algorithmen zur Identifikation des Quarkflavours von Jets, zur Rekonstruktion sekundärer Zerfallsvertices und zu deren Kalibration anhand experimenteller Daten. Unsere Forschung verbindet die Detektorrekonstruktion mit modernen Methoden des maschinellen Lernens, insbesondere Transformer-Netzwerken. Wir beteiligen uns an der Weiterentwicklung der ATLAS-Flavour-Tagging-Algorithmen und deren Anwendung in Präzisionsmessungen und Suchen nach neuer Physik.

Wie funktioniert Flavour-Tagging?

Bottom- und Charm-Quarks bilden bei der Hadronisierung Hadronen, die sich durch charakteristische Eigenschaften von Teilchen aus leichten Quarks und Gluonen unterscheiden. Insbesondere besitzen Hadronen mit schweren Quarks vergleichsweise lange Lebensdauern. B-Hadronen haben beispielsweise typische Lebensdauern von etwa 1,5 ps und können vor ihrem Zerfall mehrere Millimeter im Detektor zurücklegen.

Ihre Zerfallsprodukte entstehen daher häufig nicht unmittelbar am primären Proton-Proton-Kollisionspunkt, sondern an einem räumlich versetzten Sekundärvertex. Die Spuren dieser Teilchen weisen charakteristische Stoßparameter auf, die mit den hochauflösenden Silizium-Spurdetektoren von ATLAS gemessen werden können. Weitere Informationen liefern die Massen, Multiplizitäten und kinematischen Eigenschaften der Zerfallsprodukte.

Flavour-Tagging-Algorithmen kombinieren diese Informationen, um Jets mit B- oder C-Hadronen von Jets leichter Partonen zu unterscheiden. Eine wesentliche Herausforderung besteht darin, echte Zerfälle schwerer Hadronen von sekundären Vertices zu unterscheiden, die durch Wechselwirkungen mit Detektormaterial, Photonkonversionen, Zerfälle langlebiger leichter Hadronen oder zusätzliche Proton-Proton-Kollisionen (Pile-up) entstehen.

Transformer-basiertes Flavour-Tagging: GN2 und GN3

Moderne Methoden des maschinellen Lernens haben die Flavour-Identifikation bei ATLAS grundlegend verändert. Während frühere Algorithmen die Ergebnisse spezialisierter Rekonstruktionsverfahren mit multivariaten Klassifikatoren kombinierten, verarbeiten neuere Ansätze die Informationen einzelner Teilchenspuren und anderer Jetbestandteile direkt. Dabei lernen sie die Korrelationen, die für Zerfälle schwerer Hadronen charakteristisch sind.

Der Transformer-basierte Algorithmus GN2 nutzt die Eigenschaften der einem Jet zugeordneten Spuren, um dessen Flavour zu identifizieren. Zusätzlich zur Klassifikation des Jets wird das Netzwerk darauf trainiert, die Herkunft einzelner Spuren vorherzusagen und zu erkennen, ob zwei Spuren von einem gemeinsamen Zerfallsvertex stammen. Diese zusätzlichen Trainingsaufgaben fördern das Erlernen physikalisch aussagekräftiger Repräsentationen der Zerfallsstrukturen schwerer Hadronen.

GN2 verbessert die Flavour-Identifikation gegenüber früheren ATLAS-Algorithmen erheblich. Bei einer vorgegebenen b-Tagging-Effizienz kann die Unterdrückung von Charm- und leichten Jets je nach Arbeitspunkt und Jetkinematik um Faktoren von mehreren verbessert werden. Die Entwicklung und Leistungsfähigkeit von GN2 wurden 2026 in Nature Communications veröffentlicht.

Die nächste Generation, GN3, entwickelt diesen Ansatz weiter, indem sie verschiedene Arten von Detektorinformationen kombiniert. Neben Spuren geladener Teilchen berücksichtigt der Algorithmus auch Particle-Flow-Objekte und niederenergetische Leptonen. Dadurch können auch neutrale und semileptonische Bestandteile der Jetstruktur genutzt werden. Verbesserungen bei der Spurzuordnung und zusätzliche Trainingsaufgaben steigern die Leistungsfähigkeit weiter.

GN3 erweitert außerdem die Flavour-Identifikation über Bottom- und Charm-Jets hinaus. Der Algorithmus ermöglicht eine getrennte Klassifikation von Jets aus Strange-Quarks, Up- und Down-Quarks sowie Gluonen. Dadurch eröffnen sich neue Möglichkeiten, den partonischen Ursprung von Jets zu bestimmen und die Flavour-Struktur von Prozessen des Standardmodells zu untersuchen.

Unsere Arbeitsgruppe beteiligt sich an der Entwicklung und Untersuchung moderner Flavour-Tagging-Algorithmen, insbesondere GN3 und seiner erweiterten Möglichkeiten zur Flavour-Identifikation. Mitglieder unserer Gruppe stellten GN3-Ergebnisse bei ML4Jets 2025 und auf der DPG-Frühjahrstagung 2026 vor.

Entwicklung von Software für maschinelles Lernen

Die Entwicklung moderner Flavour-Tagging-Algorithmen erfordert flexible Software zur Verarbeitung komplexer Detektorinformationen, zum Aufbau neuronaler Netze und zum Training mit großen simulierten Datensätzen. Unsere Arbeitsgruppe beteiligt sich an der Entwicklung von Salt, einem quelloffenen Softwareframework für multimodales und multitask-basiertes maschinelles Lernen in der Hochenergiephysik.

Salt stellt Werkzeuge für das Training Transformer-basierter Modelle bereit, die unterschiedliche Detektoreingaben kombinieren und mehrere Vorhersageaufgaben gleichzeitig bearbeiten können. Das Framework unterstützt die Entwicklung von Algorithmen wie GN2 und GN3 und erleichtert deren Übertragung auf weitere Aufgaben der Teilchenidentifikation und Ereignisrekonstruktion.

Das Framework wurde 2025 in einer Publikation im Journal of Open Source Software beschrieben, an der auch unsere Arbeitsgruppe beteiligt war. Diese Arbeiten sind Teil unserer umfassenderen Aktivitäten zur Entwicklung moderner, wiederverwendbarer Softwarewerkzeuge für das maschinelle Lernen in der experimentellen Teilchenphysik.

Rekonstruktion sekundärer Zerfallsvertices

Die Rekonstruktion räumlich versetzter Zerfallsvertices ist seit vielen Jahren ein Forschungsschwerpunkt unserer Arbeitsgruppe. Wir haben zur Entwicklung des Secondary Vertex Finders (SVF) beigetragen, der versetzte Zerfallsvertices innerhalb von Jets rekonstruiert, sowie des Track Classification Tools (TCT). Letzteres schätzt ab, ob einzelne Spuren aus Zerfällen schwerer Hadronen, der Fragmentation oder anderen Quellen stammen.

Diese Verfahren bildeten wichtige Grundlagen für die Entwicklung weiterer Flavour-Tagging-Algorithmen. Dazu gehört auch der Classified Track Tagger (CTT), der insbesondere die Identifikation hochenergetischer b-Jets verbessern sollte.

In jüngerer Zeit konzentrieren sich unsere Forschungsarbeiten auf die Rekonstruktion niederenergetischer B-Hadronen und sekundärer Zerfallsvertices, die nicht notwendigerweise einem rekonstruierten Jet zugeordnet werden können. Solche Soft Secondary Vertices sind insbesondere bei Suchen nach neuen Teilchen relevant, deren Zerfallsketten B-Hadronen mit geringem Impuls erzeugen.

Unsere Arbeitsgruppe hat zur Entwicklung und Untersuchung entsprechender Rekonstruktionsverfahren beigetragen, einschließlich ihrer Kalibration mit ATLAS-Kollisionsdaten. Im Jahr 2024 veröffentlichte ATLAS eine Messung der Tagging-Effizienz und der Fehlidentifikationsrate eines spezialisierten Soft-Secondary-Vertex-Taggers unter Verwendung des vollständigen Run-2-Datensatzes. Die Ergebnisse liefern Korrekturfaktoren für simulierte Ereignisse und sind insbesondere für Suchen mit niederenergetischen schweren Hadronen von Bedeutung.

In anschließenden Arbeiten untersuchten wir die Leistungsfähigkeit der Sekundärvertexrekonstruktion bei niedrigen Energien, einschließlich des Einflusses der Spurrekonstruktion und verschiedener Untergrundprozesse. Diese Studien waren Teil einer 2025 in Siegen abgeschlossenen Doktorarbeit.

Materialwechselwirkungen und Vertexrekonstruktion

Eine besondere Herausforderung für das Flavour-Tagging ist die Rekonstruktion sekundärer Vertices, die nicht aus Zerfällen schwerer Hadronen stammen. Geladene Teilchen können mit dem Material des Spurdetektors wechselwirken und dabei zusätzliche Spuren und räumlich versetzte Vertices erzeugen. Diese können den Zerfallssignaturen von B- und C-Hadronen ähneln.

Unsere Arbeitsgruppe untersucht den Einfluss solcher Materialwechselwirkungen auf die Flavour-Identifikation von Jets. Dazu gehören die Rekonstruktion und Klassifikation sekundärer Vertices, ihre räumliche Verteilung innerhalb des Spurdetektors und Unterschiede zwischen Kollisionsdaten und Simulation.

Diese Arbeiten bildeten einen Schwerpunkt einer 2025 abgeschlossenen Masterarbeit und tragen zu einem verbesserten Verständnis der Untergrundprozesse und systematischen Unsicherheiten beim Flavour-Tagging bei.

Wir untersuchen außerdem moderne Algorithmen zur Rekonstruktion mehrerer Sekundärvertices, darunter Verfahren auf Grundlage des ACTS Tracking-Toolkits. Studien mit dem Open Data Detector (ODD) bieten eine flexible Umgebung, um Verfahren zur Vertexrekonstruktion zu entwickeln und zu untersuchen, die auch für zukünftige Experimente bei hohen Luminositäten relevant sind.

Charm-Tagging und Kalibration

Die Identifikation von Charm-Jets ist besonders anspruchsvoll. Im Vergleich zu B-Hadronen besitzen Charm-Hadronen im Allgemeinen kürzere Lebensdauern und geringere Massen, sodass ihre räumlich versetzten Zerfallssignaturen weniger ausgeprägt sind. Ein leistungsfähiger Charm-Tagging-Algorithmus muss c-Jets sowohl von b-Jets als auch von Jets leichter Quarks und Gluonen unterscheiden können.

Unsere Arbeitsgruppe beschäftigt sich mit der Optimierung der Charm-Jet- Identifikation, einschließlich der Auswahl und Kombination verschiedener Flavour-Tagging-Diskriminanten. Diese Entwicklungen sind besonders wichtig für physikalische Messungen, bei denen Charm- und Bottom-Quarks zuverlässig voneinander getrennt werden müssen.

Neben der Verbesserung der Algorithmen selbst muss ihre Leistungsfähigkeit anhand experimenteller Daten bestimmt werden. Unterschiede zwischen Daten und Simulation werden durch Kalibrationsfaktoren und zugehörige systematische Unsicherheiten berücksichtigt.

Zu unseren jüngsten Aktivitäten gehören Studien zur Optimierung des Charm-Taggings, die 2025 vorgestellt wurden, sowie Arbeiten zur Charm-Tagging-Kalibration, die 2026 präsentiert wurden. Diese Untersuchungen stehen in engem Zusammenhang mit aktuellen ATLAS-Messungen der b-Tagging-Effizienzen und Fehlidentifikationsraten für c-Jets anhand von Run-3-Daten bei einer Schwerpunktsenergie von 13,6 TeV.

Simulation und Robustheit des Flavour-Taggings

Moderne Flavour-Tagging-Algorithmen werden überwiegend mit simulierten Kollisionsereignissen trainiert. Ihre Leistungsfähigkeit hängt daher davon ab, wie genau die Simulation die Teilchenproduktion, die Detektorantwort, die Spurrekonstruktion und die Eigenschaften von Jets mit schweren Hadronen beschreibt.

Unsere Arbeitsgruppe untersucht, wie sich unterschiedliche Simulations- und Rekonstruktionsverfahren auf die Leistungsfähigkeit maschineller Lernverfahren zur Flavour-Identifikation auswirken. Aktuelle Studien befassen sich unter anderem mit der Verwendung schneller Detektorsimulationen für das Flavour-Tagging sowie mit der Robustheit moderner Algorithmen unter veränderten experimentellen Bedingungen.

Ein wesentliches Ziel besteht darin, die Detektoreigenschaften und Modellierungsannahmen zu identifizieren, welche die Klassifikationsleistung besonders stark beeinflussen. Diese Erkenntnisse können dazu beitragen, die Simulation zu verbessern, wichtige systematische Unsicherheiten zu bestimmen und Algorithmen zu entwickeln, die unter verschiedenen Betriebsbedingungen zuverlässig funktionieren.

Energiekalibration von Jets schwerer Quarks

Präzisionsmessungen erfordern auch eine möglichst genaue Bestimmung der Energie und des Impulses von Jets aus schweren Hadronen. Diese Jets weisen charakteristische Fragmentationsmuster auf und können Neutrinos aus semileptonischen Zerfällen schwerer Hadronen enthalten, was ihre Energiekalibration erschwert.

Transformer-basierte Regressionsverfahren können Informationen der einzelnen Jetbestandteile kombinieren, um die rekonstruierte Energie und Masse von b-Jets zu verbessern. ATLAS demonstrierte 2024 einen solchen Ansatz, mit dem sich die Energie- und Massenauflösung gegenüber konventionellen Kalibrationsverfahren deutlich verbessern lässt.

Obwohl die Energiekalibration und die Flavour-Identifikation unterschiedliche Rekonstruktionsaufgaben darstellen, nutzen sie verwandte Methoden des maschinellen Lernens und profitieren von einem gemeinsamen Verständnis der Jetstruktur und der Detektorantwort.

Anwendungen in der Top- und Higgs-Physik

Flavour-Tagging ist für zahlreiche Physikanalysen unserer Arbeitsgruppe von entscheidender Bedeutung. Bei der Produktion von Top-Quark-Paaren (tt̄) hilft die Identifikation von b-Jets, die Top-Quark-Zerfälle zu rekonstruieren und Untergrundprozesse zu unterdrücken.

Eine besonders wichtige Anwendung ist die Messung des CKM-Matrixelements |Vcb| anhand des seltenen Zerfalls W → cb̄ in tt̄-Ereignissen. Im Jahr 2026 veröffentlichte ATLAS die erste Messung von |Vcb| mit dieser Methode, zu der unsere Arbeitsgruppe einen wesentlichen Beitrag geleistet hat. Die Analyse beruht auf der gleichzeitigen Identifikation von Bottom- und Charm-Jets.

Verbessertes Charm-Tagging ist auch für die Suche nach Higgs-Boson-Zerfällen in Charm-Quark-Paare, H → cc̄, von zentraler Bedeutung, insbesondere bei der assoziierten tt̄H-Produktion. Diese Analysen zielen darauf ab, die Higgs-Kopplung an Quarks der zweiten Generation zu bestimmen, und erfordern eine hohe Unterdrückung von Untergründen mit b-Jets oder leichten Jets.

Weitere Anwendungen umfassen seltene Top-Quark-Zerfälle, Messungen der Higgs-Wechselwirkungen und Suchen nach neuen Teilchen. Weitere Informationen finden sich auf unseren Seiten zur Top-Quark-Physik und zur Higgs-Physik.

Ausblick: Flavour-Tagging am HL-LHC

Der High-Luminosity LHC stellt neue Herausforderungen an das Flavour-Tagging. Die deutlich höhere Zahl gleichzeitiger Proton-Proton-Kollisionen führt zu größeren Spurendichten und komplexeren Ereignistopologien. Gleichzeitig wird die präzise Identifikation schwerer Quarks angesichts der wesentlich größeren Datensätze für Messungen seltener Prozesse immer wichtiger.

Der neue ATLAS Inner Tracker (ITk) wird unter diesen anspruchsvollen Bedingungen eine verbesserte Spurrekonstruktion ermöglichen. Unsere Forschung zu Transformer-basiertem Flavour-Tagging, Sekundärvertexrekonstruktion, Simulation und Kalibration trägt dazu bei, das ATLAS-Physikprogramm auf den HL-LHC vorzubereiten.

Ausgewählte Publikationen und Forschungsarbeiten

Aktuelle Forschungsbeiträge aus Siegen

Ausgewählte Forschungsaktivitäten, die von Mitgliedern unserer Arbeitsgruppe auf Konferenzen und Workshops vorgestellt wurden:

  • 2026: GN3 und Flavour-Identifikation über schwere Quarks hinaus; Kalibration des Charm-Taggings; schnelle Detektorsimulation für die Jet-Flavour-Identifikation; verbesserte Sekundärvertexrekonstruktion mit ACTS.
  • 2025: Entwicklung und Leistungsfähigkeit von GN3; Optimierung des Charm-Taggings; Materialwechselwirkungen beim Flavour-Tagging; Rekonstruktion und Kalibration von Soft Secondary Vertices.
  • 2024: Rekonstruktion von Soft Secondary Vertices; Kalibration von Signaturen niederenergetischer schwerer Hadronen; Transformer-basierte Energiekalibration von Jets schwerer Quarks.

Siehe auch unsere Beiträge zu den DPG-Frühjahrstagungen und unsere Konferenzvorträge.