Calibration of an AI-based quark/gluon tagger

Abstract

The development and calibration of quark/gluon jet taggers using the ATLAS detector with 140 fb−1 of proton-proton collision data at √ s = 13 TeV is presented. Two machine learning architectures are implemented and compared: a fully connected neural network with residual connections us- ing high-level jet variables and a constituent-based transformer model that exploits correlations among jet constituents, with both models trained on piecewise 2D pT × |η| flattened Monte Carlo samples. The taggers' kine- matic coverage is extended to higher pseudorapidity regions (|η| < 4.5) and broader transverse momentum range (20 GeV < pT < 2 TeV), with the transformer-based architecture demonstrating superior performance. To ex- tract pure quark and gluon samples necessary for calibration, two methods are systematically compared: the Monte Carlo-driven matrix method and the data-driven jet topics method, with comprehensive uncertainty estima- tion accounting for experimental, methodological, and theoretical sources. Scale factors are derived for the fully connected tagger to correct differences between quark and gluon efficiencies in data and simulation, with theoretical modeling uncertainties dominating in the matrix method while the jet top- ics method yields smaller total uncertainties. The performance measured in...

Táto práca predstavuje vývoj a kalibráciu taggerov na identifikáciu kvar- kových a gluónových jetov pomocou detektora ATLAS s využitím 140 fb−1 dát z protón-protónových zrážok pri energii √ s = 13 TeV. Implementované a porovnané sú dve architektúry strojového učenia: plne prepojená neuró- nová sieť s reziduálnymi spojeniami využívajúca jetové premenné a model typu transformer založený na zložkách jetov, ktorý využíva korelácie medzi jednotlivými zložkami, pričom oba modely boli trénované na po-častiach 2D pT × |η| uniformných Monte Carlo simuláciách. Kinematické pokrytie tagge- rov na identifikáciu je rozšírené do oblastí vyššej pseudorapidity (|η| < 4.5) a širšieho rozsahu priečnej hybnosti (20 GeV < pT < 2 TeV), pričom architek- túra založená na transformeri vykazuje lepšie výsledky. Na extrakciu čistých kvarkových a gluónových vzoriek potrebných pre kalibráciu sú systematicky porovnávané dve metódy: maticová metóda riadená Monte Carlo simuláci- ami a metóda jet topics založená na dátach, s komplexným odhadom neistôt zohľadňujúcim experimentálne, metodologické a teoretické zdroje. Pre plne prepojenú neurónovú sieť sú odvodené škálovacie faktory na korekciu roz- dielov medzi kvarkovými a gluónovými účinnosťami v dátach a simuláciách, pričom v maticovej metóde dominujú neistoty teoretického modelovania, za-...