Enregistrement W4392270996 · doi:10.1103/physrevd.110.012001

New graph-neural-network flavor tagger for Belle II and measurement of sin <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" display="inline"><mml:mn>2</mml:mn><mml:msub><mml:mi>ϕ</mml:mi><mml:mn>1</mml:mn></mml:msub></mml:math> in <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" display="inline"><mml:msup><mml:mi>B</mml:mi><mml:mn>0</mml:mn></mml:msup><mml:mo stretchy="false">→</mml:mo><mml:mi>J</mml:mi><mml:mo>/</mml:mo><mml:mi>ψ</mml:mi><mml:msubsup><mml:mi>K</mml:mi><mml:mi mathvariant="normal">S</mml:mi><mml:mn>0</mml:mn></mml:msubsup></mml:math> decays

2024· preprint· lv· W4392270996 sur OpenAlexfundno aff

I. Adachi, L. Aggarwal, H. Ahmed, H. Aihara, Н. Акопов, A. Aloisio, N. Anh Ky, D. M. Asner, T. Aushev, V. Aushev, M. Aversano, R. Ayad, V. Babu, H. Bae, S. Bahinipati, P. Bambade, Sw. Banerjee, S. Bansal, M. Barrett, J. Baudot, A. Baur, A. Beaubien, F. Becherer, J. Becker, J. V. Bennett, F. U. Bernlochner, V. Bertacchi, M. Bertemes, E. Bertholet, M. Bessner, S. Bettarini, B. Bhuyan, F. Bianchi, L. Bierwirth, T. Bilka, S. Bilokin, D. Biswas, A. Bobrov, D. Bodrov, A. E. Bolz, A. Bondar, A. Bożek, M. Bračko, P. Branchini, R. A. Briere, T. E. Browder, A. Budano, S. Bussino, M. Campajola, L. Cao, G. Casarosa, C. Cecchi, J. Cerasoli, P. Chang, P. Cheema, C. Chen, B. G. Cheon, K. Chilikin, K. Chirapatpimol, K. Cho, S. -J. Cho, S. Choudhury, J. Cochran, L. Corona, F. Dattola, E. De La Cruz–Burelo, S. A. De La Motte, G. De Nardo, M. De Nuccio, G. De Pietro, R. de Sangro, M. Destefanis, S. Dey, R. Dhamija, A. Di Canto, Z. Doležal, T. V. Dong, M. Dorigo, K. Dort, D. Dossett, S. Dreyer, S. Dubey, G. Dujany, P. Ecker, M. Eliachevitch, P. Feichtinger, T. Ferber, D. Ferlewicz, T. Fillinger, C. Finck, G. Finocchiaro, A. Fodor, F. Forti, A. Frey, B. G. Fulsom, A. Gabrielli, E. Ganiev, M. Garcia-Hernandez, G. Gaudino, V. Gaur, A. Gaz, A. Gellrich, G. Ghevondyan, D. Ghosh, H. Ghumaryan, G. Giakoustidis, R. Giordano, A. Giri, A. Glazov, B. Gobbo, R. Godang, O. Gogota, P. Goldenzweig, W. Gradl, T. Grammatico, E. Graziani, D. Greenwald, Z. Gruberová, T. Gu, Y. Guan, K. Gudkova, K. Hara, T. Hara, K. Hayasaka, H. Hayashii, S. Hazra, C. Hearty, M. T. Hedges, A. Heidelbach, I. Heredia-De La Cruz, M. Hernández Villanueva, T. Higuchi, M. Hohmann, P. Horak, T. Humair, T. Iijima, K. Inami, N. Ipsita, A. Ishikawa, R. Itoh, M. Iwasaki, P. Jackson, W. W. Jacobs, D. E. Jaffe, Q. P. Ji, S. Jia, K. K. Joo, H. Junkerkalefeld, H. Kakuno, D. Kalita, J. Kandra, K. H. Kang, S. Kang, G. Karyan, T. Kawasaki, F. Keil, C. Kiesling, D. Y. Kim, K. -H. Kim, H. Kindo, K. Kinoshita, P. Kodyš, T. Koga, S. Kohani, K. Kojima, A. Korobov, S. Korpar, E. Kovalenko, R. Kowalewski, T. M. G. Kraetzschmar, P. Križan, P. Krokovny, T. Kuhr, Y. Kulii, J. Kumar, M. Kumar, R. Kumar, K. Kumara, T. Kunigo, A. Kuzmin, S. Lacaprara, T. Lam, L. Lanceri, J. S. Lange, M. Laurenza, R. Leboucher, M. J. Lee, D. Levit, C. Li, L. K. Li, Y. Li, Y. B. Li, J. Libby, Q. Y. Liu, Zhiqing Liu, D. Liventsev, S. Longo, T. Lueck, C. Lyu, M. Maggiora, S. P. Maharana, R. Maiti, S. Maity, G. Mancinelli, R. Manfredi, E. Manoni, M. Mantovano, D. Marcantonio, S. Marcello, C. Mariñas, L. Martel, C. Martellini, A. Martini, T. Martinov, L. Massaccesi, M. Masuda, K. Matsuoka, D. Matvienko, S. K. Maurya, J. A. McKenna, R. Mehta, F. Meier, M. Merola, F. Metzner, C. Miller, M. Mirra, K. Miyabayashi, H. Miyake, R. Mizuk, G. B. Mohanty, N. Molina-Gonzalez, S. Mondal, S. Moneta, M. Mrvar, R. Mussa, I. Nakamura, K. R. Nakamura, M. Nakao, Y. Nakazawa, A. Narimani Charan, M. Naruki, D. Narwal, Z. Natkaniec, A. Natochii, L. Nayak, M. Nayak, Mary P. Neu, C. Niebuhr, S. Nishida, S. Ogawa, Y. Onishchuk, H. Ono, Yoshichika Ōnuki, P. Oskin, F. Otani, P. Pakhlov, G. Pakhlova, A. Panta, S. Pardi, K. Parham, H. Park, B. Paschen, A. Passeri, S. Patra, S. Paul, T. K. Pedlar, R. Peschke, R. Pestotnik, M. Piccolo, L. E. Piilonen, G. Pinna Angioni, P. L. M. Podesta-Lerma, T. Podobnik, S. Pokharel, C. Praz, S. Prell, E. Prencipe, M. T. Prim, H. Purwar, P. Rados, G. Raeuber, S. Raiz, N. Rauls, M. Reif, S. Reiter, M. Remnev, I. Ripp-Baudot, G. Rizzo, M. Röhrken, J. M. Roney, A. Rostomyan, N. Rout, G. Russo, D. A. Sanders, S. Sandilya, A. Sangal, L. Šantelj, Y. Sato, V. Savinov, B. Scavino, C. Schmitt, C. Schwanda, Y. Seino, A. Selce, K. Senyo, J. Serrano, M. E. Sevior, C. Sfienti, X. Shi, T. Shillington, T. Shimasaki, D. Shtol, A. Sibidanov, F. Simon, J. B. Singh, J. Skorupa, R. Sobie, M. Sobotzik, A. Soffer, A. Sokolov, E. Solovieva, S. Spataro, B. Spruck, M. Starič, P. Stavroulakis, S. Stefkova, R. Stroili, K. Sumisawa, W. Sutcliffe, H. Svidras, M. Takizawa, U. Tamponi, K. Tanida, F. Tenchini, O. Tittel, R. Tiwary, D. Tonelli, E. Torassa, K. Trabelsi, I. Tsaklidis, M. Uchida, I. Ueda, Y. Uematsu, Y. Unno, K. Uno, S. Uno, P. Urquijo, Y. Ushiroda, S. Vahsen, R. van Tonder, K. E. Varvell, M. Veronesi, A. Vinokurova, V. S. Vismaya, L. Vitale, V. Vobbilisetti, R. Volpe, B. Wach, M. Wakai, S. Wallner, E. Wang, M.-Z. Wang, Z. Wang, A. Warburton, S. Watanuki, C. Wessel, E. Won, B. Yabsley, S. Yamada, W. Yan, S. B. Yang, J. Yelton, J. H. Yin, K. Yoshihara, C. Z. Yuan, Y. Yusa, B. Zhang, V. Zhilich, Q. Zhou, V. Zhukova, R. Žlebčík

Notice bibliographique

RevuePhysical review. D/Physical review. D. · 2024

Typepreprint

Languelv

DomainePhysics and Astronomy

ThématiqueParticle physics theoretical and experimental studies

Établissements canadiensnon disponible

Organismes subventionnairesHORIZON EUROPE Marie Sklodowska-Curie ActionsInstitut National de Physique Nucléaire et de Physique des ParticulesAkademi Sains MalaysiaInstituto Nazionale di Fisica NucleareJapan Society for the Promotion of ScienceAustralian Research CouncilMinistry of Education, Culture, Sports, Science and TechnologyBundesministerium für Bildung und ForschungNatural Sciences and Engineering Research Council of CanadaHorizon 2020 Framework ProgrammeKementerian Pendidikan MalaysiaBrookhaven National LaboratoryMax-Planck-GesellschaftCentre National de la Recherche ScientifiqueEuropean Research CouncilMinistry of Education and Science of UkraineMinisterstwo Edukacji i NaukiNational Key Research and Development Program of ChinaIsrael Science FoundationNational Natural Science Foundation of ChinaNational Research Foundation of KoreaU.S. Department of EnergyAlexander von Humboldt-StiftungKorea Institute of Science and Technology InformationDepartment of Atomic Energy, Government of IndiaAgence Nationale de la RechercheNational Institute of InformaticsAustrian Science FundGrantová Agentura České RepublikyUniversiti MalayaCentral University Basic Research Fund of ChinaIstituto Nazionale di Fisica NucleareMinistry of EducationDepartment of Science and Technology, Ministry of Science and Technology, IndiaNational Research FoundationBundesministerium für Bildung, Wissenschaft und ForschungDeutsche ForschungsgemeinschaftNational Research Foundation of UkraineDeutsches Elektronen-SynchrotronGeneralitat ValencianaHelmholtz-GemeinschaftIstituto Nazionale di Fisica Nucleare Sezione di PadovaNatural Science Foundation of Shandong ProvinceCompute CanadaUniversity of TabukVietnam Academy of Science and TechnologyMinistry of Science and Higher Education of the Russian FederationAgencia Estatal de InvestigaciónUnited States - Israel Binational Agricultural Research and Development FundMinistry of Education and ScienceCanarieNational Science FoundationInstitute of Energy, Hefei Comprehensive National Science CenterNational Science and Technology Council

Mots-clésGraphPhysicsParticle physicsNuclear physicsComputer scienceTheoretical computer science

DOI10.1103/physrevd.110.012001

Résumé

récupéré en direct d'OpenAlex

We present GFlaT, a new algorithm that uses a graph-neural-network to determine the flavor of neutral B mesons produced in ϒ(4S) decays. It improves previous algorithms by using the information from all charged final-state particles and the relations between them. We evaluate its performance using B decays to flavor-specific hadronic final states reconstructed in a 362 fb−1 sample of electron-positron collisions collected at the ϒ(4S) resonance with the Belle II detector at the SuperKEKB collider. We achieve an effective tagging efficiency of (37.40±0.43±0.36%) , where the first uncertainty is statistical and the second systematic, which is 18% better than the previous Belle II algorithm. Demonstrating the algorithm, we use B0→J/ψKS0 decays to measure the mixing-induced and direct CP violation parameters, S=(0.724±0.035±0.009) and C=(−0.035±0.026±0.029) . Published by the American Physical Society 2024

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001

score de la tête « metaresearch » (Gemma)0,004

Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated

Catégories candidatesaucune

Catégories consensuellesaucune

DomaineSignal candidat: aucune · Signal consensuel: aucune

Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune

GenreSignal candidat: Empirique · Signal consensuel: aucune

Score de désaccord entre enseignants0,044

Score d'incertitude au seuil0,147

Scores du classifieur distillé par catégorie (deux têtes)

Catégorie	Codex	Gemma
Métarecherche	0,001	0,004
Méta-épidémiologie (sens strict)	0,002	0,001
Méta-épidémiologie (sens large)	0,001	0,001
Bibliométrie	0,002	0,002
Études des sciences et des technologies	0,001	0,000
Communication savante	0,002	0,003
Science ouverte	0,003	0,002
Intégrité de la recherche	0,002	0,002
Charge utile insuffisante (le modèle a refusé de juger)	0,044	0,026

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,019

Tête enseignante GPT0,288

Écart entre enseignants0,268 · la distance entre les deux têtes enseignantes sur ce seul travail

Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.

Devis d'étudeExpérimental (laboratoire)

Domainenon disponible

GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13

Publié2024

Routes d'admission1

Résumé présentoui

Télécharger la notice (JSON)Signaler un problème avec cette notice

Explorer davantage

Même revuePhysical review. D/Physical review. D.→Même sujetParticle physics theoretical and experimental studies→Travaux en français237 207→