Speaker
Description
L’identificazione online dei decadimenti adronici del leptone tau al High-Level Trigger di ATLAS si è tradizionalmente basata su architetture di deep learning di tipo DeepSet, con prestazioni consolidate nelle operazioni di trigger. In parallelo, sono stati sviluppati approcci basati su reti neurali a grafo (GNN) e Transformer, in particolare nella ricostruzione offline (per l’identificazione di b- e c-jet) e in applicazioni online come il b-jet trigger, favorendo una convergenza verso tecnologie di machine learning uniformi tra diverse segnature fisiche.
In questo contributo si presenta l’adozione di una strategia basata su GNN per il riconoscimento di tau adronici al High-Level Trigger coerente con l’evoluzione complessiva degli algoritmi di tagging dell’esperimento.
L’approccio è stato impiegato nelle operazioni di trigger nel 2025 ed è in corso di
estensione e ottimizzazione per il run 2026.
Nel contributo si discutono le principali scelte di progettazione alla base di questa transizione e si mostra come l’architettura risultante consenta catene di trigger più inclusive e uniformi, facilitando l’identificazione multi-oggetto di decadimenti adronici di b, c e τ con diversa segnatura. Particolare attenzione è posta al comportamento delle GNN in ambienti complessi, a supporto di strategie di trigger future mirate a stati finali complicati.