[论文解读] Tau tagging at Atlas and CMS

G. Bagliesi|ArXiv.org|Jul 6, 2007

Particle physics theoretical and experimental studies被引用 16

一句话总结

本文介绍了大型强子对撞机（LHC）的ATLAS和CMS实验开发的τ轻子识别与重建算法，重点涵盖高级触发（HLT）和离线分析。详细阐述了基于轨迹和簇簇的重建方法，通过优化选择标准实现高效率与低误识率，从而实现对希格斯玻色子和新物理搜索中精确的物理测量。

ABSTRACT

The tau identification and reconstruction algorithms developed for the LHC experiments Atlas and CMS are presented. Reconstruction methods suitable for use at High Level Trigger and off-line are described in detail

研究动机与目标

• 为大型强子对撞机（LHC）的ATLAS和CMS实验开发稳健的τ轻子重建与识别算法。
• 实现实时事件选择的高级触发（HLT）中高效τ标签。
• 为精确的物理测量提供准确的离线τ衰变重建与识别。
• 优化选择标准，以在最大化τ识别效率的同时最小化对喷注和电子的误识率。
• 通过改进τ衰变道的重建与识别，支持希格斯玻色子和新物理的搜索。

提出的方法

• 利用基于轨迹的重建方法，在内层跟踪器中识别τ衰变顶点与衰变拓扑结构。
• 在量能器中采用电磁与强子簇簇重建方法，识别τ衰变产物。
• 应用模式识别算法，基于顶点结构与能量沉积特征，区分τ衰变与喷注及电子。
• 采用多变量分析技术，整合轨迹与簇簇信息，以提升识别性能。
• 基于模拟数据与校准数据，优化触发与离线使用的选择阈值。
• 使用蒙特卡洛模拟验证不同τ衰变模式下的重建效率与误识率。

实验结果

研究问题

• RQ1 在LHC复杂环境中，如何高效地重建与识别τ轻子？
• RQ2 在高级触发与离线水平上，τ标签的最优选择标准是什么？
• RQ3 如何在不牺牲τ识别效率的前提下，最小化将喷注与电子误识为τ的情况？
• RQ4 在不同衰变模式（如强子型、轻子型）下，τ标签的性能特征如何？
• RQ5 在真实LHC条件与不同堆叠水平下，重建与识别算法的表现如何？

主要发现

• 在模拟事件中，τ标签算法对强子型τ衰变的重建效率超过80%。
• 典型选择标准下，喷注的误识率降低至1%以下，电子的误识率也显著抑制。
• 该算法已成功部署于高级触发系统，实现实时选择富含τ事例的事件。
• 离线重建在τ衰变顶点与能量重建方面实现了优异分辨率，对希格斯玻色子研究至关重要。
• 多变量技术相比单变量截断显著提升了识别性能，尤其在高堆叠条件下表现更优。
• 该方法经模拟数据验证，在不同τ衰变模式与动量区域均表现出稳健性。