Search for Beyond the Standard Model physics with anomaly detection in multilepton final states in $pp$ collisions at $\sqrt{s}=13$ TeV with the ATLAS detector

Der ATLAS-Detektor führte mit 140 fb⁻¹ von Proton-Proton-Kollisionsdaten bei 13 TeV eine modellunabhängige Suche nach neuer Physik in Endzuständen mit mindestens vier Leptonen durch, wobei unüberwachtes maschinelles Lernen zur Identifizierung anomaler Ereignisse eingesetzt wurde, ohne dass ein signifikantes Überschuss über dem Standardmodell-Hintergrund beobachtet wurde.

Das Wesentliche

🕵️‍♂️ Die große Suche nach dem „Fremden" im Universum

Stellen Sie sich das Large Hadron Collider (LHC) am CERN als eine riesige, superschnelle Rennbahn vor, auf der winzige Teilchen (Protonen) mit fast Lichtgeschwindigkeit gegeneinander geschossen werden. Wenn sie kollidieren, explodieren sie in einem Funkenregen aus neuen Teilchen.

Die Physiker des ATLAS-Detektors (eine gigantische Kamera, die die ganze Explosion aufnimmt) haben einen neuen Ansatz gewählt, um nach neuer Physik zu suchen. Bisher haben sie oft nach einem bestimmten Teilchen gesucht – wie ein Detektiv, der nur nach einem spezifischen Dieb sucht, der eine rote Mütze trägt. Wenn der Dieb aber eine blaue Mütze trägt oder gar keine, übersehen sie ihn.

In dieser neuen Studie sagen sie: „Wir suchen nicht nach einem bestimmten Dieb. Wir suchen nach irgendeinem Dieb, der sich von der Masse abhebt."

🧩 Das Problem: Der Rausch der Menge

In den Daten der letzten Jahre (140 Billionen Kollisionen!) gibt es eine riesige Menge an „normalen" Ereignissen. Das sind die Vorhersagen des Standardmodells – die bekannten Gesetze der Physik. Das ist wie ein riesiger, lauter Markt, auf dem alle Menschen normal reden.

Doch irgendwo in diesem Lärm könnte ein Außerirdischer stehen, der eine völlig andere Sprache spricht. Wenn man nur auf die bekannten Wörter hört, hört man den Fremden nicht.

🤖 Die Lösung: Der KI-Überwachungsdrohne (Anomalie-Erkennung)

Hier kommt die Anomalie-Erkennung (Anomaly Detection) ins Spiel. Man kann sich das wie eine hochintelligente KI-Überwachungskamera vorstellen, die den Markt beobachtet.

1. Das Training: Die KI lernt zuerst nur die „normalen" Menschen kennen. Sie sieht Tausende von Kollisionen, die genau so aussehen, wie die Physik es erwartet (z. B. wenn zwei Z-Bosonen entstehen). Sie lernt: „Das ist normal. Das ist der Hintergrundrauschen."
2. Die Suche: Sobald die KI den „Normalzustand" verinnerlicht hat, schaut sie auf die neuen Daten. Sie sucht nicht nach einem roten Hut, sondern nach irgendeiner Unstimmigkeit.
   • Beispiel: Wenn plötzlich jemand auf dem Markt auf dem Kopf steht, oder jemand eine Sprache spricht, die niemand sonst kennt, oder jemand eine Farbe trägt, die es auf dem Markt noch nie gab – das ist eine Anomalie.
3. Der Trick: Die KI berechnet für jedes Ereignis eine „Wahrscheinlichkeits-Score". Je unwahrscheinlicher ein Ereignis für die normale Physik ist, desto höher der Score. Die Physiker schauen dann genau auf die Ereignisse mit dem höchsten Score.

🎯 Was haben sie gefunden?

Die Physiker haben sich auf Ereignisse konzentriert, bei denen viele leichte Teilchen (Elektronen oder Myonen, nennen wir sie einfach „Licht-Teilchen") gleichzeitig entstehen. Das ist wie ein Fest, bei dem plötzlich vier oder mehr Gäste gleichzeitig tanzen. Das passiert im normalen Universum sehr selten.

Sie haben die Daten von 140 fb⁻¹ (eine riesige Menge an Kollisionen) durchsucht.

• Das Ergebnis: Sie haben keine Außerirdischen gefunden.
• Die Bedeutung: Das ist eigentlich eine gute Nachricht für die Wissenschaft, aber eine enttäuschende für die Hoffnung auf sofortige Entdeckungen. Es bedeutet: Der Markt ist ruhig. Alles, was sie sahen, passte perfekt zu den bekannten Gesetzen der Physik. Es gab keine „fremden" Signale, die auf neue, unbekannte Teilchen hindeuten.

🚧 Die Grenzen setzen

Auch wenn sie nichts Neues gefunden haben, ist die Arbeit extrem wertvoll. Sie haben damit Grenzen gesetzt.

Stellen Sie sich vor, sie haben gesagt: „Wir haben den ganzen Markt abgesucht. Wenn es einen Dieb mit einer roten Mütze gibt, muss er kleiner als 1,3 Meter sein, sonst hätten wir ihn gesehen."

• Sie haben bewiesen, dass bestimmte theoretische Modelle (wie vektorartige Leptonen oder bestimmte Supersymmetrie-Teilchen) in einem bestimmten Massenbereich nicht existieren können.
• Besonders wichtig: Sie haben zum ersten Mal Grenzen für ein Modell namens „flavourful VLL" gesetzt. Das ist wie ein neues, komplexes Versteckspiel, das sie jetzt für den Bereich, den sie untersucht haben, als „gescheitert" markiert haben.

🏁 Fazit in einem Satz

Die ATLAS-Physiker haben mit einer cleveren KI-Methode den gesamten Funkenregen der Teilchenkollisionen nach irgendeiner Abweichung von der Norm abgesucht. Sie haben keine neuen Monster gefunden, aber sie haben den Bereich, in dem diese Monster sich verstecken könnten, drastisch verkleinert. Die Suche geht weiter, aber jetzt wissen wir genau, wo wir nicht suchen müssen.

Kurz gesagt: Kein neues Monster gefunden, aber der Wald wurde gründlicher abgesucht als je zuvor.

Technische Zusammenfassung

Titel: Suche nach Physik jenseits des Standardmodells mit Anomalieerkennung in Multilepton-Zuständen bei $pp$-Kollisionen mit $\sqrt{s}=13$ TeV mit dem ATLAS-Detektor

1. Problemstellung und Motivation

Das Standardmodell (SM) der Teilchenphysik ist zwar außerordentlich erfolgreich, lässt jedoch fundamentale Fragen offen (z. B. Dunkle Materie, Hierarchieproblem, Neutrinomassen). Traditionelle Suchen nach neuer Physik (BSM – Beyond the Standard Model) sind oft modellabhängig und zielen auf spezifische Signaturmuster ab, wodurch sie andere, unerwartete Szenarien übersehen könnten.
Das Ziel dieser Arbeit ist es, eine modellagnostische Suche durchzuführen, die nicht von einer spezifischen BSM-Theorie ausgeht. Der Fokus liegt auf Endzuständen mit mindestens vier leichten Leptonen (Elektronen oder Myonen). Solche Zustände bieten einen vergleichsweise geringen Untergrund aus dem Standardmodell und sind daher ideal für die Suche nach seltenen Anomalien. Dies ist die erste Anwendung von Anomalieerkennung (Anomaly Detection, AD) in Multilepton-Zuständen am LHC.

2. Methodik

• Datensatz: Die Analyse verwendet $pp$-Kollisionsdaten, die vom ATLAS-Detektor während Run 2 (2015–2018) bei einer Schwerpunktsenergie von 13 TeV gesammelt wurden. Die integrierte Luminosität beträgt 140 fb⁻¹.
• Ereignisselektion: Es werden Ereignisse mit $\ge 4$ leichten Leptonen ($e, \mu$) ausgewählt. Diese werden in drei orthogonale Kanäle unterteilt:
  1. $4\ell$ mit Gesamtladung $Q=0$.
  2. $4\ell$ mit Gesamtladung $Q=\pm 2$.
  3. $\ge 5\ell$.
• Anomalieerkennung (AD):
  • Es wird eine überwachungslose (unsupervised) Machine-Learning-Technik namens Normalizing Flows (speziell RealNVP) verwendet.
  • Das Modell wird ausschließlich auf simulierten SM-Hintergrundereignissen trainiert, um die Wahrscheinlichkeitsdichte $p(x)$ der Hintergrundverteilung im hochdimensionalen Merkmalsraum zu lernen.
  • Der Anomalie-Score $s(x)$ wird basierend auf der logarithmischen Wahrscheinlichkeit berechnet: Ereignisse mit sehr niedriger Wahrscheinlichkeit (Outlier) erhalten einen hohen Score.
  • Eingangsmerkmale: Physikalisch motivierte Variablen wie die transversale Impulssumme der Leptonen ($H_T^{lep}$), die transversale Impulssumme der Jets ($H_T^{jets}$), fehlende transversale Energie ($E_T^{miss}$), Invariantmassen von Leptonpaaren (insbesondere in der Nähe der $Z$-Boson-Masse) und die Summe der $b$-Tagging-Scores.
• Suchstrategie:
  • Modellunabhängig: Die Daten werden in "Discovery Regions" unterteilt, die durch Anomalie-Score-Schwellenwerte (z. B. >90%, >99%, >99,9% Hintergrund-Ablehnung) definiert sind. Es wird nach einem Überschuss an Ereignissen in diesen hochanomalen Bins gesucht.
  • Modellabhängig: Zur Demonstration der Sensitivität werden spezifische Benchmark-Modelle getestet, indem der Anomalie-Score in allen Regionen gleichzeitig in einem Fit angepasst wird.
• Untergrundschätzung: Die Hauptuntergründe ($ZZ$, $t\bar{t}Z/\gamma^*$, $VVV$, nicht-prompt Leptonen) werden mittels Monte-Carlo-Simulationen geschätzt und durch einen simultanen Likelihood-Fit in Kontrollregionen (CRs) normalisiert.

3. Wichtige Beiträge

• Erste AD-Suche in Multilepton-Zuständen: Im Gegensatz zu früheren AD-Anwendungen, die sich meist auf Jet-basierte Endzustände konzentrierten, wird hier erstmals die Technik erfolgreich auf komplexe Lepton-Multiplizitäten angewendet.
• Einführung neuer Benchmark-Modelle:
  • Vektorartige Leptonen (VLLs): Untersuchung von Singulett- und Doublet-Modellen sowie erstmals ein "flavourful VLL"-Modell, das neue skalare Teilchen ($S_{ji}$) und lepton-flavour-verletzende Zerfälle beinhaltet.
  • Supersymmetrie (SUSY): Tests von wino-artigen Charginos/Neutralinos und Smuons in Szenarien mit R-Paritätsverletzung (RPV).
• Robuste Methodik: Die Kombination aus Normalizing Flows für die Anomalieerkennung und einem simultanen Fit zur Untergrundnormalisierung ermöglicht eine hohe Sensitivität ohne starke Modellannahmen.

4. Ergebnisse

• Beobachtungen: Es wurde kein signifikanter Überschuss an Ereignissen über den Standardmodell-Erwartungen hinaus beobachtet.
  • Die größte lokale Abweichung betrug $2\sigma$ in den Regionen $Q=\pm 2$ und $0Z$ mit 2SFOS (bei >99,9% Score), was jedoch nach Berücksichtigung des "Look-Elsewhere-Effekts" zu einer globalen Signifikanz von nur 0,90$\sigma$ führt.
  • Die Daten sind konsistent mit den SM-Vorhersagen.
• Ausschlussgrenzen (Limits):
  • Modellunabhängig: Es wurden Obergrenzen für den sichtbaren Wirkungsquerschnitt ($\sigma_{vis}$) für jede Discovery-Region gesetzt.
  • Modellabhängig:
    • VLLs: Massen bis zu 925 GeV (VLL Doublet $e$), 850 GeV (VLL Doublet $\mu$), 290 GeV (VLL Singlet $e$) und 320 GeV (VLL Singlet $\mu$) wurden ausgeschlossen.
    • Flavourful VLLs: Zum ersten Mal wurden Grenzen für das flavourful VLL-Modell gesetzt. VLL-Massen bis zu 1300 GeV ($e$) und 1280 GeV ($\mu$) wurden ausgeschlossen.
    • SUSY: Wino-artige Charginos wurden bis zu 1600 GeV ausgeschlossen. Smuonen wurden bis zu 495 GeV ausgeschlossen (mit verbesserter Sensitivität für große Massendifferenzen $\Delta m > 140$ GeV im Vergleich zu früheren Suchen).

5. Bedeutung und Fazit

Diese Studie demonstriert die Wirksamkeit von Anomalieerkennung mit Normalizing Flows als leistungsfähiges Werkzeug für die Suche nach neuer Physik in komplexen, hochdimensionalen Endzuständen.

• Die Methode ist modellagnostisch und kann potenzielle Signale entdecken, die in traditionellen, auf spezifische Modelle zugeschnittenen Suchen übersehen würden.
• Die Ergebnisse sind kompetitiv mit dedizierten Suchen und übertreffen diese in bestimmten Phasenraumbereichen (z. B. bei Smuonen mit großen Massendifferenzen).
• Die erstmalige Anwendung auf Multilepton-Zustände und die Setzung von Grenzen für das flavourful VLL-Modell erweitern den Suchraum für neue Physik erheblich.
• Da keine Abweichung gefunden wurde, werden die etablierten Modelle des Standardmodells weiter gestützt, während die Grenzen für neue Teilchen wie VLLs und SUSY-Teilchen verschärft werden.

Zusammenfassend stellt diese Arbeit einen wichtigen Schritt in der Entwicklung von datengetriebenen, modellunabhängigen Suchstrategien am LHC dar, die für zukünftige Analysen mit noch höheren Luminositäten (Run 3 und HL-LHC) wegweisend sind.