Worum ging es bei der Challenge?

Die FAIR Universe Higgs Uncertainty Challenge verlangt von den Teilnehmer:innen die Signalstärke des  pp → H → ττ Prozesses zu bestimmen – basierend auf Daten mit insgesamt 28 Variablen welche die beteiligten Teilchen und das Kollisionsereignis selbst beschreiben. Die Teams mussten sowohl statistische als auch systematische Unsicherheiten berücksichtigen, etwa in der Kalibrierung der Jet- und τ-Lepton-Energien oder bei den Raten der Hintergrundprozesse. Die meisten Gruppen, darunter auch die Siegerteams, setzten auf moderne Verfahren mit maschinellem Lernen und verzichteten weitgehend auf klassische histogrammbasierte Auswertungen.

Wie haben wir gewonnen?

Unser GOLLUM-Algorithmus vereint drei zentrale Komponenten, um das volle Potenzial ungebinnter Inferenz zu erschließen. Erstens modellieren schnelle „Surrogate Models“ die bekannten analytischen Abhängigkeiten der Prozesse – etwa die Skalierung mit der Signalstärke oder Änderungen der Hintergrundraten – ohne weitere Näherungen. Zweitens verwendet ein kalibrierter Multiklassen-Klassifikator hochdimensionale Ereignismerkmale, um für jedes einzelne Kollisionsereignis die Signalstärke abzuschätzen. Ein iterativer isotoner Regressionsschritt sorgt dabei für zuverlässige Vorhersagen, selbst bei stark unterschiedlicher Verteilung auf die jeweiligen Klassen. Drittens lernt ein parametrisches neuronales Netz, wie sich diese Wahrscheinlichkeiten unter systematischen Variationen verändern – und liefert dadurch ein glattes, differenzierbares Modell über alle Parameter hinweg. Zusammen ergibt das eine schnelle, robuste Inferenz-pipeline, die die Bestimmung der H → ττ Signalstärke deutlich verbessert.

Was bringt es?

Im ungebinnten Datensatz reduziert unsere Methode die systematischen Unsicherheiten drastisch – das ist auch in der rekonstruierten Massenverteilung deutlich sichtbar (unteres Pad). Obwohl das H → ττ-Signal nur einen kleinen Teil der Daten ausmacht, führt die präzisere Modellierung zu einem klar sichtbaren Peak bei kleinen Massen und einer deutlich schmaleren Likelihood-Kurve (zweites Diagram) für die Signalstärke. Damit übertrifft es die Referenzanalyse mit klassischen gebinnten Likelihood deutlich. Diese Verbesserung brachte GOLLUM den ex-aequo ersten Platz.

Wie geht es weiter?

Dieser Erfolg unterstreicht die wachsende Bedeutung moderner Machine-Learning-Methoden für Präzisionsmessungen am LHC, insbesondere für ungebinnte Analysen. Am HEPHY sind diesbezüglich mehrere Projekte am Anlaufen.  Noch wichtiger: Er zeigt, wie viel durch enge Zusammenarbeit zwischen Fachphysiker:innen und ML-Expert:innen erreicht werden kann – ein menschliches Modell für zukünftige Fortschritte in der Präzisionsphysik und bei der Suche nach neuer Physik.