1 / 77

Jet/Energy flow

Jet/Energy flow. Iacopo Vivarelli INFN e Università, Pisa. Introduction. I calorimetri di ATLAS e CMS Algoritmi di clusterizzazione nei calorimetri Algoritmi di ricostruzione dei jet Calibrazione al particle jet (e confronto dati/MC) Energy flow Soglie di trigger sui jet

gitel
Download Presentation

Jet/Energy flow

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Jet/Energy flow Iacopo Vivarelli INFN e Università, Pisa Iacopo Vivarelli-INFN/Università Pisa

  2. Introduction • I calorimetri di ATLAS e CMS • Algoritmi di clusterizzazione nei calorimetri • Algoritmi di ricostruzione dei jet • Calibrazione al particle jet (e confronto dati/MC) • Energy flow • Soglie di trigger sui jet • Calibrazione coi primi dati • Conclusions Iacopo Vivarelli-INFN/Università Pisa

  3. Tile Calorimeter EM barrel and EndCap Hadronic EndCap Forward Calorimeter Calorimetria di ATLAS…. EM LAr || < 3 : Pb/LAr 24-26 X0 3 longitudinal sections1.2   = 0.025  0.025 Central Hadronic || < 1.7 : Fe(82%)/scintillator(18%) 3 longitudinal sections 7.2   = 0.1  0.1 End Cap Hadronic1.7 <  < 3.2 : Cu/LAr – 4 longitudinal sections  < 0.2  0.2 Forward calorimeter3 <  < 4.9 : EM Cu/LAr – HAD W/Lar 3 longitudinal sections Risoluzione per il calorimetro combinato (EM+HAD) ad η = 0.35 Linearità entro ±2% (10-300 GeV) Iacopo Vivarelli-INFN/Università Pisa

  4. …. e quella di CMS EM barrel and EndCap Preshower EM || < 3 : PbWO4 cristals 24.7-25.8 X0, 1.1  1 sezione longitudinale+preshower (3 X0)  = 0.0175  0.0175 Barrel HCal || < 1.74, Brass/Scintillator 2 sezioni longitudinali (5.9 ) + Outer Hcal (2.5  per || < 1.4) End Cap HCAL1.3<||<3.0, Brass/Scintillator: 2 sezioni longitudinali  ≥ 0.0875  0.0875 Forward calorimeter3 < || < 5 : Fe/Quartz Fibre, Cerenkov light 2 sezioni longitudinali (em per 16 ,had per 9 ) Hcal barrel and EndCap Very Forward Calorimeter Risoluzione su single π Ecal + Hcal (ottenuta al Test beam combinato del 1996) Pions mip in Ecal Full pion sample Iacopo Vivarelli-INFN/Università Pisa

  5. Clustering • Al momento, la clusterizzazione delle celle calorimetriche è fatta in due modi (per quanto riguarda la ricostruzione dei jet) • Torri calorimetriche (ATLAS: η xφ = 0.1x0.1, CMS: η xφ = 0.087x0.087 se |η|<1.74, poi graduale aumento fino a 0.175x0.175 se |η|>3) • ATLAS: clustering 3D considerando I depositi di energia in celle vicine (Topological Clusters) • TopoClusters – some details: • Cells with |E/σnoise|>Tseed are used to generate a TopoCluster. The adiacent cells are checked to be associated to the cluster. Default: Tseed = 4σnoise • Cells with |E/σnoise| > Tneigh are used to expand the cluster. The adiacent cells are checked to be associated to the cluster. Default: Tneigh = 2σnoise • Cells with |E/σnoise| > Tused can be used to expand the cluster. Default Tused=0 Cluster for 120 GeV pion in EMEC and HEC (2002 Test Beam data) Iacopo Vivarelli-INFN/Università Pisa

  6. D = 1 • SEEDED CONE ALGORITHM • Seed: ET > 2 GeV in ATLAS, ET>0.8 (di solito) per CMS. • Dimensione del cono ATLAS: 0.7 bassa, 0.4 alta luminosità. CMS: 0.5 . • Iterazione fino a cono stabile • KT ALGORITHM • Per ogni coppia di cluster ij: • Calcolare d= • Se dmin= dii ho un jet • Se dmin= dij allora i e j sono sommati in un unico “cluster” - Split & Merge: 50% del jet più energetico per entrambi gli esperimenti Il jet ha ua precisa forma geometrica • La forma del jet non è definita • I jet sono separati: no split and merge Algoritmi di ricostruzione Sia KT che Cone (seeded con midpoints, seedless) utilizzati in entrambi gli esperimenti. Di seguito, con cluster si intende qualunque oggetto utilizzato in input per la ricostruzione (incluse eventualmente particelle MC) R = √2+f2 Iacopo Vivarelli-INFN/Università Pisa

  7. Efficienze di ricostruzione Un particle jet è ricostruito se ha un jet calorimetrico angolarmente vicino. La soglia per una efficienza di ricostruzione al 90% è tipicamente intorno a 30 GeV. I jet sono ricostruiti in tutta la zona di accettanza dei calorimetri (η < 5). L’efficienza di ricostruzione mostra una dipendenza da η a basso PT (PT < 50 GeV) a causa di crack nei calorimetri e non completo contenimento ad alto η. CMS. Analogo per ATLAS Iacopo Vivarelli-INFN/Università Pisa

  8. Noise suppression - ATLAS Tower noise 2σnoise cut TopoClusters Il trattamento del noise viene delegato all’algoritmo di clusterizzazione (TopoClusters) • Verifica della soppressione del noise da parte dei TopoClusters: • -Tower noise: nessun taglio sul noise • 2σnoise cut: celle con un deposito di energia |E| < 2σnoise non sono conteggiate Iacopo Vivarelli-INFN/Università Pisa

  9. Noise suppression CMS Iacopo Vivarelli-INFN/Università Pisa

  10. Calibrazione • In entrambi gli esperimenti la calibrazione è fatta in due fasi: • Fase 1: Dal jet calorimetrico al particle jet: calibrazione basata sul MonteCarlo accordato sui dati del test beam. Corregge per e/h, cracks, dead materials • Fase 2: Dal particle jet al parton jet: le correzioni dipendono dall’analisi. Ci sono studi su alcuni canali di fisica che possono essere usati: γ+jet, Z+jet, Wjet jet dal decadimento del top • Per la fase 1 la capacità del MonteCarlo di riprodurre i dati sperimentali è fondamentale Iacopo Vivarelli-INFN/Università Pisa

  11. Confronto MC/Dati: ATLAS L’analisi del test beam combinato (un’intera slice di ATLAS su fascio – fatto nell’estate 2004) va avanti. Dati considerati finora: elettroni/pioni/muoni con energie tra 20 e 350 GeV. I dati di bassa energia sono fondamentali. Analisi in corso 20 GeV pions Small shift of MC to lower scale. Agreement in the noise/MIP region E(MeV) Iacopo Vivarelli-INFN/Università Pisa

  12. Confronto MC/Dati: ATLAS η = 0.35 Accordo entro il 2% nel range 20-350 GeV. Buono, ma l’informazione più importante sta a basse energie. Fondamentale l’accordo nella regione 1-9 GeV (al momento sotto analisi) E(GeV) Ebeam(GeV) η Ebeam(GeV) Iacopo Vivarelli-INFN/Università Pisa

  13. Confronto MC/Dati: CMS Paragone dati/MC (G4) per il test beam combinato ECAL+HCAL (2002) Iacopo Vivarelli-INFN/Università Pisa

  14. Calibrazione al particle jet level (ATLAS) ATLAS utilizza un sistema di cell weighting. Dal confronto del jet calorimetrico con il particle jet (ottenuto con lo stesso algoritmo di ricostruzione sullo stato finale del generatore) si ottengono (tramite minimizzazione) una serie di pesi da applicare alle celle. Ei is the energy in the i-th cell (longitudinal sample). Il peso wi è parametrizzato in termini della densità di energia della cella In futuro, calibrazione particle based (riconoscimento clusters adronici ed elettromagnetici + uso del montecarlo per correggere a livello clusters per e/h + dead material + cracks) Iacopo Vivarelli-INFN/Università Pisa

  15. Risultati (rispetto al particle jet) Risultati ottenuti con un algoritmo a cono (DR=0.7), noise elettronico incluso nella simulazione, pile-up non incluso Iacopo Vivarelli-INFN/Università Pisa

  16. Risultati per alcuni algoritmi di ricostruzione Gli studi sono ripetuti con I vari algoritmi di ricostruzione. In termini di risoluzione, il KT dà i risultati peggiori. Un tuning del parametro D (default D=1, tuned D=0.6) migliora il risultato. “Single jet gun” + noise Il cono (R = 0.7, Etseed = 2 GeV) dà I risultati migliori. In ogni caso, ad alta luminosità la dimensione del cono dovrà essere ridotta a 0.4 Iacopo Vivarelli-INFN/Università Pisa

  17. Calibrazione al particle jet level (CMS) La calibrazione a CMS può essere fatta a diversi livelli: calibrazione jet based: E = a x (EC+HC)  a dipende da jet(ET,η). Correzioni calcolate con MC. E = a x EC + b x HC a,b dipendono da jet (ET,η). Correzioni calcolate con MC. Si assume MC in accordo coi dati sperimentali calibrazione particle based (richiede separazione di cluster adronici ed elettromagnetici) em: E = a x EC had: E = b x EC + c x HC b e c dipendono rispettivamente da EC e HC Iacopo Vivarelli-INFN/Università Pisa

  18. Correzioni particle jet (MC) • R = Etrec/ETMC Correzione 1/R per I jet ricostruiti. • Le correzioni dipendono dall’algoritmo di ricostruzione, dalla dimensione del cono, dal livello di noise elettronico e pile up. Risoluzione nel barrel dopo le correzioni: Iacopo Vivarelli-INFN/Università Pisa

  19. Risoluzione angolare Iterative cone, DR = 0.5 Risoluzione inferiore alla granularità delle torri su tutto il range in eta Iacopo Vivarelli-INFN/Università Pisa

  20. Energy flow Iacopo Vivarelli-INFN/Università Pisa

  21. Proprieta’ Cal e Tk nei due esperimenti • Data l’ottima risoluzione del calorimetro adronico, in Atlas i jet sono ricostruiti con buona risoluzione ancor prima di applicare l’EF. • Date le risoluzioni di calorimetri e tracciatori nei due rivelatori, ci si aspetta che l’EF apporti miglioramenti piu’ evidenti per CMS che per Atlas. Iacopo Vivarelli-INFN/Università Pisa

  22. Le Implementazioni di EF in Atlas EF prima, EF dopo la ricostruzione del Jet • In ATLAS ci sono 2 diversi approcci per l’utilizzo dell’energy flow (entrambi sotto sviluppo): • - Si ricostruiscono EFlowObjects a partire dalle tracce cariche e dai cluster calorimetrici. Per le particelle cariche, nei cluster adronici si sostituisce l’energia attesa nei calorimetri (estratta da una parametrizzazione) con quella del tracciatore • - Gli EFlowObjects sono utilizzati come input dell’algoritmo di ricostruzione dei jet (sia esso Cono o KT) • - All’interno di un jet si riconoscono cluster adronici “carichi”, cluster elettromagnetici e cluster “misti”. • - Per i cluster adronici carichi si sostituisce la misura del calorimetro con quella del tracciatore. • Premesse: • I due algoritmi ancora non sfruttano i TopoClusters: la clusterizzazione è bidimensionale (torri) • L’aggiunta delle tracce out-of-cone e’ gia’ implementata nell’algoritmo standard di ricostruzione dei jet. Iacopo Vivarelli-INFN/Università Pisa

  23. Le Implementazioni di EF in Atlas 50 GeV jets σ(E)/E = 7% on the core Approccio 1 (EF prima ricostruzione del Jet) - prestazioni Algoritmo standard • C’e’ un miglioramento della risoluzione su E del Jet rispetto a valore TDR (da 8-9% a 7% @ 50 GeV), ma questo vale solo per una frazione degli eventi (le code della distribuzione non sono trascurabili) 20 GeV single p- EnergyFlow • Test su eventi singola particella per testare consistenza dell’implementazione dell’EF. Larghezze distribuzioni in accordo con risoluzioni dei calorimetri e del tracciatore. Iacopo Vivarelli-INFN/Università Pisa

  24. Le Implementazioni di EF in Atlas Approccio 2 (EF dopo ricostruzione del Jet) - prestazioni L’algoritmo è stato testato su tripletti di particelle (π+π0 n) arbitrariamente vicine in -f. I risultati dipendono fortemente dalla distanza angolare tra le particelle. Effetto della sovrapposizione dei cluster: Risultati stabili se R > 0.1, ma se le particelle sono più vicine angolarmente la risoluzione degrada rapidamente. Si formano grosse code asimmetriche. L’utilizzo della completa segmentazione (longitudinale e laterale) dei calorimetri migliorerà i risultati p+p0 n (5 GeV) con R > 0.1 p+π0 n (5 GeV) with R = 0.1 Iacopo Vivarelli-INFN/Università Pisa

  25. Le Implementazioni di EF in Atlas Approccio 2 (EF dopo ricostruzione del Jet) - prestazioni E’ stato applicato questo algoritmo in full simulation. La distribuzione finale ha andamento sufficientemente gaussiano. Tuttavia, allo stato attuale, la risoluzione e’ ancora da ottimizzare (12-13% rispetto 8-9% del TDR). Iacopo Vivarelli-INFN/Università Pisa

  26. Implementazionedi EF in CMS Correzione della jet energy con JetPlusTrack L’algoritmo (JetPlusTrack) attualmente implementato in CMS applica le tecniche di EF per correggere i jet ricostruiti a partire dai soli depositi calorimetrici. I jet di partenza sono ricostruiti tramite algoritmi a cono. L’apertura ΔR del cono e’ un parametro fondamentale sia dell’algoritmo di jet finding, che dell’algoritmo di correzione. Una versione (JetPlusTrack 2) piu’ raffinata dello stesso algoritmo fa uso di due coni distinti per separare il contributo dei frammenti neutri da quello dei carichi Iacopo Vivarelli-INFN/Università Pisa

  27. Implementazione di EF in CMS JetPlusTrack – l’algoritmo • 1. Ricostruzione dei jet nei calorimetri utilizzando algoritmi a cono (semplici o iterativi). • Utilizzo dei pixel per la ricostruzione del PV e dei seed delle tracce. • Vengono selezionati solo i seed all’intrerno del cono di definizione del jet. A partire da questi, le tracce sono ricostruite nelle loro completezza in tutto il tracciatore. • La misura calorimetrica viene raffinata con le informazioni del tracciatore sia per tracce nel cono che fuori. Si sottrae la risposta del calorimetro attesa (per ora senza particle ID, tutte le particelle cariche sono considerate pioni). Iacopo Vivarelli-INFN/Università Pisa

  28. Implementazione di EF in CMS JetPlusTrack – le prestazioni Effetto dell’EF sulla risoluzione di jet Et Barrel Endcap Eventi di-jet in Full-Simulation con PU LowL Atlas TDR • Miglioramenti paragonabili sia nel barrel che negli endcap: la risoluzione migliora del 25-14 % in funzione di Et del Jet • Gli effetti maggiori si hanno per i jet meno energetici,cioe’ quelli meno collimati e quindi piu’ sensibili ai problemi intrinsechi del jetFinding. Iacopo Vivarelli-INFN/Università Pisa

  29. Implementazione di EF in CMS JetPlusTrack – le prestazioni Effetto dell’EF su Etreco/Etgene (linearita’) Barrel Endcap • La linearita’ e’ quasi completamente ristabilita nel barrel • Negli endcap un miglioramento e’ presente, ma inferiore a quello nel barrel: • minore efficienza di ricostruzione delle tracce Iacopo Vivarelli-INFN/Università Pisa

  30. Implementazione di EF in CMS JetPlusTrack – applicazione a ricostruzione massa Xjj (120 GeV/c2) Full Simulation con PU per oggetto X di massa 120 GeV/c2 che decade in 2 quark leggeri. • L’applicazione dell’algoritmo di JetPlusTrack ristabilisce il rapporto tra la massa ricostruita e quella generata: si passa da Mreco/ Mgene = 0.88 a Mreco/ Mgene = 1.01 • La risoluzione migliora del 10% : • σ(M)/M = 13.6 %  σ(M)/M = 11.9 % Iacopo Vivarelli-INFN/Università Pisa

  31. Implementazione di EF in CMS Jet Rcalo calo charged η neutral Rtk φ JetPlusTrack 2 – l’algoritmo MC level Santocchia,Spiga • Un piccolo cono e’ sufficiente a raccogliere la maggior parte del contributo neutro all’energia del jet • Un cono piu’ grande, indipendente, puo’ essere specializzato alla sola raccolta dei frammenti carichi. AlgoritmoJetPlusTrack esteso con l’utilizzo di due coni separati JetPlusTrack 2 Iacopo Vivarelli-INFN/Università Pisa

  32. Implementazione di EF in CMS Jet Livello 2 JetPlusTrack JetPlusTrack2 sigma ((Et_Gen-g*Et_corr2)/Et_Parton) 0.65-0.75 0.70-0.75 0.75-0.75 0.70-0.75 0.75-0.75 0.75-0.75 ET Gen (GeV) JetPlusTrack 2 - prestazioni • Utilizzando due coni distinti e’ possibile • Ridurre Rcalo, in modo da avere una minore sovrapposizione con gli altri jet dell’evento e con i depositi dovuti al PileUp. • Utilizzare Rtk piu’ grande in modo da raccogliere ugualmente il contributo carico del jet. Iacopo Vivarelli-INFN/Università Pisa

  33. Applicazione di EF in Atlas e CMS Conclusioni • Atlas ha un ottimo calorimetro adronico che permette gia’ una buona ricostruzione dei Jet. L’EF puo’ servire soprtattutto per jet soft, ma non sembra in modo significativo. • E’ stato dimostrato come sia importante la sovrapposizione dei cluster nella efficacia dell’EF. • E’ necessaria una parametrizzazione piu’ realistica del rilascio di energia nei calorimetri da parte degli adroni. • CMS parte da una ricostruzione calorimetrica dei jet meno buona e dispone di un tracciatore piu’ performante. Gli effetti dell’applicazione dell’EF sono risultati significativi. • Attualmente l’EF di CMS non fa uso di particle IDmargini di miglioramento delle prestazioni dell’EF. Iacopo Vivarelli-INFN/Università Pisa

  34. Soglie di trigger Iacopo Vivarelli-INFN/Università Pisa

  35. Multi-jet trigger rates in ATLAS • Ad ATLAS, i trigger di multijet rappresentano circa il 10% del rate di trigger finale totale • Le soglie sono alte  utili per SUSY e nuova fisica • Esistono trigger dedicati per i jet tau • Attualmente sotto investigazione la possibilità di avere un trigger dedicato di b-jets • Trigger di jet con basse soglie in PT (prescalati): circa 20 Hz Iacopo Vivarelli-INFN/Università Pisa

  36. Multi-jet trigger rates in CMS • I trigger di multijet rappresentano circa il 10% del rate di trigger finale totale • Esistono trigger dedicati per i jet tau • Esiste un trigger inclusivo per b-jets • Trigger di jet con basse soglie in PT (prescalati): circa 10 Hz Iacopo Vivarelli-INFN/Università Pisa

  37. In situ jet calibration Le correzioni collegate con gli effetti dell’algoritmo di ricostruzione e con effetti di fisica (out of cone, hadronization corrections) possono essere ottenute dai dati. Le topologie considerate sono Z+jet, γ+jet e Wjj (dove il W è prodotto nel decadimento del top). Iacopo Vivarelli-INFN/Università Pisa

  38. Un esempio: γ+jet (ATLAS) • I tagli sono applicati esclusivamente ad oggetti ricostruiti • pT = (pT gam rec+ pTjet rec)/2 • |phi balance| < 0.2 • Non c’è taglio sulla pseudorapidità del fotone. Il rivelatore ricostruisce fotoni con |eta| < 2.47. Questi eventi corrispondono a misidentificazione del fotone. Possono essere facilmente rimossi con un taglio in eta o pT del fotone. pT balance = (pT parton – pT photon)/ pT photon Iacopo Vivarelli-INFN/Università Pisa

  39. Ricostruzione con cono 0.7 • La correzioni per gli effetti di rivelatore sono ottimizzate sul cono 0.7 • La differenza tra il riferimento (parton level) e il particle jet è piccola  gli effetti di out of cone sono piccoli Most probable value for the pT balance Reference Particle level Cone 0.7 Reconstruction level Cone 0.7 Particle level Bias ~ 2-0% Recon level Bias ~ 2-0% Iacopo Vivarelli-INFN/Università Pisa

  40. Ricostruzione con cono 0.4 • La calibrazione al particle jet è sbagliata (o meglio, ottimizzata per il cono 0.7). • Gli effetti di out of cone sono più rilevanti (confronto tra il parton level e il particle level) Most probable value for the pT balance Parton level Bias ~ 1-0% Particle level Bias ~ 7-3% Reference Particle level Cone 0.4 Reconstruction level Cone 0.4 Recon level Bias ~ 15-7% E(GeV) Iacopo Vivarelli-INFN/Università Pisa

  41. Conclusioni • Algoritmi di ricostruzione: entrambi gli esperimenti utilizzano tipicamente un algoritmo a cono. Il KT è implementato, ma poco usato. • Le procedure di noise suppression e di calibrazione sono diverse, ma portano a risultati paragonabili (su MC) in termini di linearità. • L’applicazione dell’energy flow ha risultati molto diversi sui due esperimenti, a causa delle diverse prestazioni dei calorimetri e del tracciatore. • Studi su canali di fisica mostrano che l’utilizzo di Wjj, γ+jet possono ridurre le sistematiche sulla linearità della misura di ET al livello di 1-3% (in funzione dell’energia e di η) Iacopo Vivarelli-INFN/Università Pisa

  42. BACKUP Iacopo Vivarelli-INFN/Università Pisa

  43. Iacopo Vivarelli-INFN/Università Pisa

  44. Reconstructed W (cone 04) (1-costh) (1-cosm) • AOD • ATLFAST • AOD= Angle between the 2 jets recovered, shift only due to E miscalib. • ATLFAST: jets are massless, angle is not accurately defined => ~2 GeV shift on MW Cosm Iacopo Vivarelli-INFN/Università Pisa

  45. Method 1 to extract the E scale • compute R for k bins in E • apply kfactors on R and recompute R n times => R EPart / E AOD W Recons. No comb BKG E E Iacopo Vivarelli-INFN/Università Pisa

  46. Method1 Results after recalibration AOD 4000 W Recons. No comb BKG • Function found with any ‘a priori’ hypothesis before EPart / E Mw E after Iacopo Vivarelli-INFN/Università Pisa

  47. Method1 Results on Z+jets • Use the AOD Top sample to correct the jet energies of the AOD Z+jet sample • TOP 12000 jets, Z+jet 8000 jets • Apply same cuts on jets energies • => Top light jet scale works for all light jets Top Z+jets + EPart / E EPart / E + After calib ‘Top’ E E Iacopo Vivarelli-INFN/Università Pisa

  48. W selection • Selection for optimal mass measurement • Clean W sample with • 2 b tag • Cuts on Mt or Mt-Mw • Selection for commissioning • No b tag, cut on Mjlv ( ivo van Vulpen talk Rome) • Reduced b tag (with lower efficiency or 1btag only), cut on angles => W sample ~85% purity (see D Pallin talk Slovakia) • W sample ~85% purity (see D Pallin talk Slovakia) Iacopo Vivarelli-INFN/Università Pisa

  49. W selection Comb. BKG • Selection for optimal mass measurement AOD ATLFAST Mw 3 days at L=1033 Iacopo Vivarelli-INFN/Università Pisa

  50. Method1 with comb. BKG • Preliminary result with 1000 W +bkg evts • Calibration marginaly sensible to BKG (purity=85%) EPart / E AOD Very preliminary To reach the 1% precision on the E scale, 10000 W should be enough = 1month data taking 3 days at L=1033 E Iacopo Vivarelli-INFN/Università Pisa

More Related