Search for squarks and gluinos in $pp$ collisions at $\sqrt{s} = 13$ TeV and $13.6$ TeV in events with $τ$-leptons, jets and missing transverse momentum using the ATLAS detector

Unter Verwendung des ATLAS-Detektors präsentiert diese Arbeit eine Suche nach R-Paritäts-erhaltender Supersymmetrie in Proton-Proton-Kollisionen bei 13 und 13,6 TeV unter Einbeziehung von Tau-Leptonen, Jets und fehlendem transversalen Impuls, was Gluino-Massen unter 2,25 TeV und Squark-Massen bis zu 1,7 TeV basierend auf 140 fb⁻¹ und 51,8 fb⁻¹ Daten ausschließt.

Das Wesentliche

Das große Ganze: Auf der Suche nach „Geister“-Teilchen

Stellen Sie sich das Universum wie ein riesiges, Hochgeschwindigkeits-Autorennen vor. Der Large Hadron Collider (LHC) ist die Rennstrecke und der ATLAS-Detektor ist ein massives, ultraschnelles Kamerasystem, das jeden Zusammenstoß aufzeichnet.

Physiker kennen die Regeln des Rennens sehr gut; dieses Regelwerk wird als Standardmodell bezeichnet. Es erklärt, wie sich Teilchen wie Elektronen und Quarks verhalten. Aber das Regelwerk hat Lücken. Es erklärt nicht, warum die Gravitation im Vergleich zu anderen Kräften so schwach ist oder was Dunkle Materie (das unsichtbare Zeug, das Galaxien zusammenhält) eigentlich ist.

Um diese Lücken zu schließen, haben Wissenschaftler eine Theorie namens Supersymmetrie (SUSY). Es ist wie eine „Schattenwelt“-Theorie. Sie besagt, dass es für jedes bekannte Teilchen (wie ein Quark) ein schwereres, unsichtbares „Super-Partner-Teilchen“ (wie ein Squark oder Gluino) gibt. Wenn diese Super-Partner existieren, wären sie die perfekten Kandidaten für Dunkle Materie.

Die Mission: Die Schatten einfangen

Das Problem ist: Wir haben diese Super-Partner noch nie gesehen. Wenn sie existieren, sind sie wahrscheinlich sehr schwer und zerfallen (brechen auseinander) augenblicklich in andere Teilchen.

Dieses Paper beschreibt die Suche nach einer spezifischen „Signatur“ dieser Super-Partner. Die Wissenschaftler suchen nach einem Crash, der Folgendes produziert:

1. Jets: Spritzer gewöhnlicher Teilchen (wie Trümmerteile von einem Crash).
2. Tau-Leptonen: Eine spezifische, schwere Art von Teilchen (denken Sie an ein „schweres Elektron“).
3. Fehlender transversaler Impuls (Missing Transverse Momentum): Dies ist der wichtigste Hinweis. Bei einem normalen Crash fliegt der Schutt in alle Richtungen und gleicht sich perfekt aus. Wenn die Kamera Trümmer sieht, die in die eine Richtung fliegen, aber nichts, was in die andere Richtung fliegt, bedeutet das, dass etwas Unsichtbares von der Strecke weggeflogen ist. In dieser Theorie ist dieses „unsichtbare Etwas“ das leichteste supersymmetrische Teilchen (LSP), unser Kandidat für Dunkle Materie.

Die Strategie: Zwei verschiedene Detektivstile

Das Team hat die Daten nicht nur auf eine Weise untersucht. Sie haben zwei verschiedene Detektivstile verwendet, um sicherzustellen, dass sie nichts übersehen.

1. Der „Cut-and-Count“-Ansatz (Der starre Filter)
Stellen Sie sich vor, Sie suchen einen bestimmten Fischteich. Sie stellen ein Netz mit sehr spezifischen Maschenweiten auf: „Fange nur Fische, die größer als 5 Zoll sind, rote Flossen haben und nach links schwimmen.“

• Wie es funktioniert: Die Wissenschaftler legen strenge Regeln (Cuts) für die Daten fest. Zum Beispiel: „Wir schauen nur auf Crashes, bei denen die fehlende Energie riesig ist“ oder „Wir schauen nur auf Crashes, bei denen das Tau-Teilchen sich sehr langsam bewegt.“
• Warum: Das ist ideal, um spezifische, vorhersehbare Muster zu finden. Sie haben verschiedene „Netze“ für verschiedene Szenarien erstellt: eines für „komprimierte“ Modelle (bei denen die Super-Teilchen eng beieinander liegen in der Masse) und eines für „High-Mass“-Modelle (hohe Masse).

2. Der Machine-Learning-Ansatz (Die schlaue KI)
Stellen Sie sich vor, anstatt strikte Regeln aufzustellen, stellen Sie eine superintelligente KI ein, die Millionen von Fotos normaler Crashes und ein paar Fotos von „Schatten“-Crashes studiert hat.

• Wie es funktioniert: Sie fütterten den Computer mit Millionen von simulierten Crashes. Die KI lernte, subtile Muster zu erkennen, die Menschen vielleicht übersehen würden. Sie schaute nicht nur auf eine Zahl, sondern auf die Form des gesamten Ereignisses.
• Das Ergebnis: Die KI vergibt für jeden Crash einen „Verdachtswert“ von 0 bis 1. Wenn der Wert hoch ist, handelt es sich wahrscheinlich um ein Schattenpartikel. Wenn er niedrig ist, ist es nur ein normaler Crash. Diese Methode ist sehr inklusiv und erfasst eine breitere Palette potenzieller Signale.

Die Daten: Eine massive Bibliothek

Die Wissenschaftler haben nicht nur nach ein paar Crashes gesucht. Sie analysierten eine massive Bibliothek von Daten:

• 140 „Petabyte“ an Daten (gesammelt zwischen 2015–2018).
• 51,8 „Petabyte“ an Daten (gesammelt zwischen 2022–2023).
• Sie untersuchten drei verschiedene „Kanäle“ (Arten von Crashes):
  • Genau ein Tau-Lepton und keine anderen leichten Teilchen.
  • Genau ein Tau-Lepton und mindestens ein anderes leichtes Teilchen (Elektron oder Myon).
  • Zwei oder mehr Tau-Leptonen.

Die Herausforderung: Die „falschen“ Hinweise

Einer der schwierigsten Teile dieses Jobs ist es, ein echtes „Tau-Lepton“ von einem „Fake-Tau“ zu unterscheiden.

• Die Analogie: Stellen Sie sich vor, Sie suchen nach einer bestimmten Vogelart. Aber manchmal sieht eine Wolke wie ein Vogel aus, oder ein Stück Müll sieht aus wie ein Vogel.
• Die Lösung: Die Wissenschaftler nutzten eine „datengetriebene“ Methode. Sie betrachteten Bereiche der Daten, in denen sie wussten, dass es keine Schattenpartikel gab, zählten, wie oft Wolken wie Vögel aussah, und nutzten diese Mathematik, um zu schätzen, wie viele „Fake-Vögel“ in ihrem Hauptsuchbereich vorhanden waren. Dies ermöglichte es ihnen, das Rauschen abzuziehen und das echte Signal zu sehen.

Die Ergebnisse: Die Stille der Schatten

Nachdem sie die Zahlen ausgewertet, die KI-Scores geprüft und die starren Filter mit den Daten verglichen hatten, war das Ergebnis klar: Sie fanden nichts.

• Keine Geister: Es gab keine signifikanten Abweichungen vom Standardmodell. Die Anzahl der Ereignisse mit „fehlender Energie“ entsprach exakt dem, was die bekannte Physik vorhersagte.
• Der Ausschluss: Obwohl sie die Teilchen nicht gefunden haben, fanden sie heraus, wo sie nicht sind.
  • Sie können nun mit 95 %iger Sicherheit sagen, dass Gluinos (eine Art von Super-Partner) nicht leichter als 2,25 TeV (eine sehr schwere Masse) sind.
  • Sie können sagen, dass Squarks nicht leichter als 1,7 TeV sind.
  • Sie haben viele spezifische Kombinationen von Massen für die „Schatten“-Teilchen ausgeschlossen.

Das Fazit

Betrachten Sie diese Suche wie die Suche nach der Nadel im Heuhaufen. Die Wissenschaftler haben die Nadel nicht gefunden. Jedoch konnten sie durch den Einsatz besserer Magnete (neuere Detektoren), eines größeren Heuhaufens (mehr Daten) und klügerer Suchalgorithmen (Machine Learning) beweisen, dass die Nadel nicht in der unteren Hälfte des Heuhaufens liegt.

Sie haben die Grenzen dessen verschoben, wo wir wissen, dass diese Teilchen nicht existieren können, und damit die Theoretiker gezwungen, neu zu überdenken, wo sie als Nächstes suchen müssen. Die Suche geht weiter, aber die „einfachen“ Orte, um diese Teilchen zu finden, wurden ausgeschlossen.

Technische Zusammenfassung

Technisches Resümee: Suche nach Squarks und Gluinos in Ereignissen mit $\tau$-Leptonen, Jets und fehlendem transversalen Impuls

Problem und Motivation
Das Standardmodell (SM) der Teilchenphysik ist zwar experimentell robust, bleibt jedoch eine unvollständige effektive Theorie. Es adressiert das Hierarchieproblem, die Feinabstimmung des Higgs-Potentials und die Natur der Dunklen Materie nicht. Die Supersymmetrie (SUSY) bietet eine theoretische Erweiterung, die eine Symmetrie zwischen Bosonen und Fermionen einführt und Superpartner für alle bekannten Teilchen vorhersagt. In vielen SUSY-Szenarien ist die R-Parität erhalten, was impliziert, dass supersymmetrische Teilchen paarweise produziert werden und das leichteste supersymmetrische Teilchen (LSP) stabil ist, was es zu einem lebensfähigen Kandidaten für Dunkle Materie macht.

Diese Arbeit präsentiert eine Suche nach R-Parität erhaltender SUSY, die spezifisch auf die Paarproduktion von Gluinos ($\tilde{g}$) und links-händiger Erst- oder Zweitgeneration-Squarks ($\tilde{q}$) abzielt. Die Analyse konzentriert sich auf Zerfallsketten, bei denen diese Teilchen über Zwischenzustände ($\tilde{\chi}^{\pm}_1$, $\tilde{\chi}^0_2$) in $\tau$-Sleptons ($\tilde{\tau}$) oder $\tau$-Sneutrinos ($\tilde{\nu}_{\tau}$) kaskadieren, welche anschließend in das LSP ($\tilde{\chi}^0_1$) und ein SM $\tau$-Lepton oder $\nu_{\tau}$ zerfallen. Dies resultiert in Endzuständen, die durch hadronisch zerfallende $\tau$-Leptonen, Jets und signifikanten fehlenden transversalen Impuls ($E^{\text{miss}}_T$) charakterisiert sind. Vorherige Suchen von ATLAS (2015–2016) und CMS (2011) schlossen Gluino-Massen unter 2 TeV bzw. 1,15 TeV aus. Diese Analyse zielt darauf ab, diese Grenzwerte unter Verwendung des vollständigen Run 2-Datensatzes und früher Run 3-Daten sowie verbesserter Rekonstruktionstechniken und fortgeschrittener Analysestrategien zu erweitern.

Methodik
Die Analyse verwendet Proton-Proton-Kollisionsdaten, die vom ATLAS-Detektor bei Schwerpunktsenergien von $\sqrt{s} = 13$ TeV (2015–2018, 140 fb$^{-1}$) und $\sqrt{s} = 13,6$ TeV (2022–2023, 51,8 fb$^{-1}$) gesammelt wurden.

• Ereignisauswahl und Kanäle: Ereignisse müssen eine Vorauswahl bestehen, die $E^{\text{miss}}_T > 200$ GeV, mindestens ein hadronisch zerfallendes $\tau$-Lepton und mindestens zwei Jets (einen mit $p_T > 120$ GeV) umfasst. Die Suche ist in drei orthogonale Kanäle unterteilt, basierend auf dem Leptonengehalt:

  1. 1tau0lep: Genau ein hadronisches $\tau$, keine Elektronen oder Myonen.
  2. 1tau1lep: Genau ein hadronisches $\tau$ und mindestens ein Elektron oder Myon.
  3. 2tau: Zwei oder mehr hadronische $\tau$-Leptonen.

• Analysestrategien: Es werden zwei unabhängige Ansätze angewendet und statistisch kombiniert:

  1. Maschinelles Lernen (ML)-Ansatz: Eine Multi-Klassen-Klassifizierung mittels Boosted Decision Trees (XGBoost) wird trainiert, um das Signal von SM-Hintergründen (einschließlich $W$+Jets, $Z$+Jets, Dibosonen, Top und Fake $\tau$s) zu unterscheiden. Der gesamte Phasenraum wird genutzt, wobei Signalregionen (SRs) durch hohe Klassifikator-Scores (>0,75–0,8) definiert sind. Dieser Ansatz erfasst Korrelationen zwischen Variablen, ohne harte kinematische Schnitte aufzuerlegen.
  2. Cut-and-Count-Ansatz: Traditionelle Selektionsschnitte werden angewendet, um SRs zu definieren, die für spezifische SUSY-Topologien optimiert sind. Dies beinhaltet „komprimierte“ SRs (die auf kleine Massen-Splittings $\Delta m$ mit weichen $\tau$-Leptonen abzielen) und „High Mass“ SRs (die auf große Massen-Splittings abzielen). Kinematische Variablen wie $E^{\text{miss}}_T$, $H_T$ und transversale Massen ($m_T$, $m_{T2}$) werden zur Binning verwendet.

• Hintergrundschätzung:

  • Top und Diboson: Werden mittels Monte Carlo (MC)-Simulationen geschätzt, die in dedizierten Kontrollregionen (CRs) auf Daten normiert sind.
  • Fake $\tau$s (Jets, die als $\tau$ fehlidentifiziert werden): Werden mittels eines datengestützten Universal Fake Factor (UFF)-Ansatzes geschätzt. Fake-Faktoren werden in dedizierten Regionen (Multijet, $Z(\ell\ell)$, $W(\mu\nu)$) gemessen und auf Anti-Identifikations-Regionen der Analyse angewendet.
  • Systematische Unsicherheiten: Ein umfassendes Set an Unsicherheiten wird berücksichtigt, einschließlich Detektorkalibrierung (Jets, $\tau$s, Leptonen), Luminosität, Pile-up, theoretischer Modellierung (PDFs, Skalenvariationen) und statistischer Unsicherheiten in datengestützten Methoden.

• Statistische Analyse: Ein simultaner Likelihood-Fit (unter Verwendung von HistFitter/pyhf) wird über alle CRs, Validierungsregionen (VRs) und SRs durchgeführt. Hintergrund-Only-Fits werden zur Validierung der Modellierung verwendet, während modellabhängige Fits (CL$_s$-Präskription) verwendet werden, um Ausschlussgrenzen für vereinfachte SUSY-Modelle zu setzen.

Zentrale Beiträge

• Kombinierte Run 2 und Run 3 Daten: Dies ist die erste ATLAS-Suche in diesem Kanal, die den vollständigen Run 2-Datensatz mit frühen Run 3-Daten bei 13,6 TeV kombiniert, was die statistische Aussagekraft signifikant erhöht.
• Dualer Strategie-Ansatz: Die gleichzeitige Nutzung von ML-basierten und Cut-and-Count-Strategien ermöglicht eine optimale Sensitivität über verschiedene Regionen des SUSY-Parameterraums hinweg. Der ML-Ansatz ist in High-Mass-Regionen exzellent, während der Cut-and-Count-Ansatz mit seinen dedizierten komprimierten SRs für Szenarien mit geringem Massen-Splitting überlegen ist.
• Fortgeschrittene Hintergrundmodellierung: Die Implementierung der UFF-Methode für die Fake-$\tau$-Schätzung und die Verwendung von Multi-Klassen-BDTs zur Signal/Hintergrund-Trennung stellen eine Verfeinerung gegenüber früheren Iterationen dar.
• Umfassende Kanal-Kombination: Die statistische Kombination der 1tau0lep, 1tau1lep und 2tau Kanäle maximiert die Sensitivität für verschiedene Zerfallstopologien.

Ergebnisse
Es wurden keine signifikanten Abweichungen von den SM-Vorhersagen in den Signalregionen beobachtet. Der größte lokale Exzess lag bei einer Signifikanz von weniger als $2\sigma$.

• Ausschlussgrenzen:

  • Gluino-Modelle: Gluino-Massen ($m_{\tilde{g}}$) bis zu 2,25 TeV sind für LSP-Massen ($m_{\tilde{\chi}^0_1}$) bis zu 1,35 TeV ausgeschlossen. Im komprimierten Bereich sind Modelle mit $\Delta m(\tilde{g}, \tilde{\chi}^0_1) > 150$ GeV ausgeschlossen.
  • Squark-Modelle: Squark-Massen ($m_{\tilde{q}}$) bis zu 1,7 TeV sind für LSP-Massen bis zu 0,85 TeV ausgeschlossen. Im komprimierten Bereich sind Modelle mit $\Delta m(\tilde{q}, \tilde{\chi}^0_1) > 130$ GeV ausgeschlossen.
  • Vergleich: Diese Grenzwerte stellen eine signifikante Verbesserung gegenüber vorherigen Suchen (z. B. der 2015–2016 Analyse) dar, primär getrieben durch den größeren Datensatz, die verbesserte $\tau$-Lepton-Identifikation und die Einbeziehung von ML-Techniken.

• Modellunabhängige Grenzwerte: Obere Grenzwerte für den sichtbaren Wirkungsquerschnitt ($\sigma_{\text{vis}}$) für neue Physik-Prozesse in spezifischen SRs wurden im Bereich von 0,02 bis 0,31 fb bei einem Konfidenzniveau von 95 % festgelegt.

Bedeutung
Das Paper kommt zu dem Schluss, dass die Suche die bisher strengsten Grenzwerte für vereinfachte SUSY-Modelle setzt, die die Paarproduktion von Gluinos oder Squarks mit $\tau$-reichen Kaskadendekays beinhalten. Das Ausbleiben eines Signals schränkt den Parameterraum für R-Parität erhaltende SUSY ein und schließt insbesondere leichtere Gluino- und Squark-Szenarien aus, die zuvor zugänglich waren. Die Studie demonstriert die Effektivität der Kombination traditioneller Cut-basierter Methoden mit maschinellem Lernen und der Nutzung früher Run 3-Daten, um höhere Massenskalen und stärker komprimierte Spektren zu untersuchen. Die Ergebnisse werden im Kontext vereinfachter Modelle interpretiert, sind jedoch als anwendbar auf andere SUSY-Frameworks (wie NUHM, mSUGRA oder GMSB) anzusehen, die ähnliche Endzustände produzieren.