Search for low-mass hidden-valley dark showers with non-prompt muon pairs in proton-proton collisions at $\sqrt{s}$ = 13 TeV

Die CMS-Experimentgruppe hat bei Proton-Proton-Kollisionen mit einer integrierten Luminosität von 41,6 fb⁻¹ nach Signaturen von dunklen Teilchenschauern gesucht, die aus dem Higgs-Boson entstehen, und dabei keine signifikanten Abweichungen vom Standardmodell beobachtet, was zu neuen Obergrenzen für die Zerfallsverzweigungsverhältnisse des Higgs-Bosons in dunkle Teilchen führt.

Das Wesentliche

Titel: Die Jagd nach dem unsichtbaren „Dunklen Regen" – Eine einfache Erklärung der CERN-Studie

Stellen Sie sich das Universum wie einen riesigen, belebten Markt vor. Wir kennen die meisten Händler: Das sind die Teilchen des Standardmodells (Elektronen, Quarks, Photonen), die wir sehen und messen können. Aber es gibt eine riesige, dunkle Ecke auf dem Markt, die wir nicht sehen können. Das ist die Dunkle Materie. Sie macht etwa 27 % des Universums aus, aber sie interagiert nicht mit Licht – sie ist wie ein Geist, der durch die Wände geht, aber trotzdem schwer ist.

Physiker am CERN (dem großen Teilchenbeschleuniger in der Schweiz) haben nun eine spezielle Suche durchgeführt, um herauszufinden, ob es in dieser dunklen Ecke vielleicht eine eigene Art von „Regen" gibt.

1. Das Szenario: Ein unsichtbarer Wasserfall

In dieser Studie geht es um eine Theorie namens „Hidden Valley" (Verborgenes Tal).
Stellen Sie sich vor, das Higgs-Boson (ein Teilchen, das wir schon kennen) ist wie ein riesiger Wasserhahn. Normalerweise läuft das Wasser (Energie) direkt in unsere bekannte Welt. Aber in dieser Theorie könnte der Hahn auch in ein verstecktes Tal laufen.

In diesem Tal gibt es eine eigene Art von „Wasser" (dunkle Teilchen), die sich zu eigenen „Schneebällen" (dunkle Mesonen) zusammenballen. Wenn diese Schneebälle zerfallen, spritzen sie nicht nur Wasser, sondern manchmal auch kleine Funken, die in unsere Welt zurückkehren. Diese Funken sind Myonen (eine Art schweres Elektron).

Das Besondere: Diese dunklen Schneebälle sind nicht sofort weg. Sie leben eine winzige, aber messbare Sekunde lang, bevor sie zerfallen. Das ist wie ein Feuerwerk, das erst ein paar Meter entfernt explodiert, nicht direkt an der Hand des Feuerwerkers.

2. Die Jagd: Wie fängt man unsichtbare Funken?

Der CMS-Detektor am CERN ist wie ein riesiges, hochauflösendes Fotoapparat-Netzwerk, das die Kollisionen von Protonen (den „Wasserhahn") beobachtet.

• Das Problem: Die meisten Kollisionen erzeugen einen riesigen Lärm aus bekannten Teilchen. Die winzigen Funken aus dem dunklen Tal gehen darin unter.
• Die Lösung (Data Parking): Die Forscher nutzten eine spezielle Strategie namens „Data Parking". Stellen Sie sich vor, ein Fotograf macht nicht nur die perfekten Bilder, sondern speichert alle Bilder erst einmal auf einer Festplatte („parkt" sie), um sie später in Ruhe anzusehen. Dadurch konnten sie auch sehr schwache, langsame Signale finden, die normalerweise verworfen werden.
• Die Suche nach dem „verrückten" Paar: Die Forscher suchten nach Paaren von Myonen, die nicht am Ursprungspunkt der Kollision entstanden sind, sondern ein Stück weiter weg (ein „verzögerter" Zerfall). Es ist, als würden Sie in einem Stadion nach zwei Menschen suchen, die sich erst 10 Meter hinter der Startlinie umarmen, obwohl sie am Startschuss losgelaufen sind.

3. Der KI-Filter: Der kluge Butler

Da es so viele Daten gibt, haben die Forscher einen KI-Butler (ein sogenannter „Boosted Decision Tree") eingesetzt.

• Die Aufgabe: Der Butler schaut sich jedes Ereignis an und fragt: „Ist das nur normaler Lärm (Hintergrund) oder ist das ein verdächtiges dunkles Signal?"
• Das Kriterium: Der Butler achtet besonders auf die Anzahl der Myonen. In den dunklen Modellen gibt es oft viele davon (wie ein dichter Regen), während normale Kollisionen meist nur wenige haben. Der Butler lernt, diesen „dunklen Regen" vom normalen „Nieselregen" zu unterscheiden.

4. Das Ergebnis: Noch keine Spur, aber ein riesiges Netz

Was haben sie gefunden?

• Kein Fund: Bisher haben sie keine Spur von diesem dunklen Regen gefunden. Das bedeutet, das Higgs-Boson zerfällt (wenn überhaupt) nur extrem selten in diese dunklen Teilchen.
• Aber: Sie haben ein riesiges Sicherheitsnetz gespannt. Sie haben bewiesen, dass wenn es diese dunklen Teilchen gibt, sie nicht schwerer als 20 GeV sein dürfen und nicht länger als 500 mm leben dürfen, ohne zu zerfallen.
• Der Fortschritt: Vorherige Experimente konnten nur sehr schwere oder sehr schnelle Teilchen sehen. Diese Studie hat den Suchbereich massiv erweitert – hin zu sehr leichten und sehr kurzlebigen Teilchen. Sie haben Grenzen gesetzt, die um das Tausendfache strenger sind als früher.

Zusammenfassung in einem Satz

Die Forscher am CERN haben mit Hilfe eines cleveren KI-Butlers und einer speziellen Daten-Sammelstrategie im Lärm der Teilchenkollisionen nach einem unsichtbaren, verzögerten „dunklen Regen" gesucht. Obwohl sie ihn noch nicht gefunden haben, haben sie damit bewiesen, dass das Universum in diesem bestimmten Bereich sehr „sauber" ist und keine versteckten dunklen Teilchen in den von ihnen untersuchten Größenordnungen existieren.

Warum ist das wichtig?
Selbst wenn sie nichts finden, ist das ein großer Erfolg. Denn in der Physik ist das Wissen darum, was nicht existiert, genauso wertvoll wie eine neue Entdeckung. Es zwingt die Theoretiker, ihre Modelle zu überarbeiten und schärft den Fokus für die nächste Jagd.

Technische Zusammenfassung

Titel: Suche nach niedrig-massiven Hidden-Valley-Dark-Shower-Signaturen mit nicht-prompten Myon-Paaren in Proton-Proton-Kollisionen bei $\sqrt{s} = 13$ TeV

1. Problemstellung und Motivation

Das Standardmodell der Teilchenphysik (SM) lässt die Natur der Dunklen Materie (DM) ungeklärt. Astrophysikalische Beobachtungen deuten darauf hin, dass Dunkle Materie etwa 27 % des Energiegehalts des Universums ausmacht, jedoch nicht elektromagnetisch wechselwirkt.
Ein vielversprechender theoretischer Ansatz sind Hidden-Valley-Modelle, die eine neue, nicht-abelsche Eichgruppe einführen. In diesen Modellen können Dunkle-Materie-Teilchen untereinander wechselwirken und "Dark Showers" (dunkle Teilchenschauer) bilden. Wenn diese dunklen Teilchen hadronisieren, entstehen dunkle Hadronen (z. B. dunkle Mesonen), die nach einer messbaren Lebensdauer in Standardmodell-Teilchen zerfallen können.
Das spezifische Ziel dieser Analyse ist die Suche nach langlebigen dunklen Mesonen, die mit einer hohen Verzweigungsverhältnis in Myon-Paare zerfallen. Solche Zerfälle erzeugen charakteristische, verdrängte Vertices (displaced vertices) im Detektor, die sich von den prompten Zerfällen des Standardmodells unterscheiden. Bisherige Suchen waren oft durch Massenschwellen (z. B. > 10 GeV) oder spezifische Topologien eingeschränkt und konnten den Bereich niedriger Massen (< 1 GeV) und kleiner Zerfallslängen nicht ausreichend abdecken.

2. Methodik und Analyse-Strategie

• Datensatz: Die Analyse basiert auf Daten, die 2018 vom CMS-Experiment am LHC gesammelt wurden. Es wurde eine integrierte Luminosität von 41,6 fb⁻¹ bei einer Schwerpunktsenergie von 13 TeV verwendet.
• Trigger-Strategie (Data Parking): Ein entscheidender Aspekt ist die Nutzung der "B-Parking"-Daten. Im Gegensatz zu Standard-Datensätzen wurden hier die Trigger-Schwellenwerte für Myonen gesenkt (Transversalimpuls $p_T$ zwischen 7 und 12 GeV und Signifikanz des Impact Parameters $IP_{sig}$ zwischen 3 und 6). Dies ermöglichte die Erfassung von Ereignissen mit niedrigem Impuls und verdrängten Myonen, die sonst durch die Rechenkapazität für die sofortige Rekonstruktion (prompt reconstruction) verloren gegangen wären. Die Rohdaten wurden zunächst "geparkt" und später rekonstruiert.
• Theoretische Modelle: Drei Klassen von Modellen wurden untersucht:
  1. Vector Portal-Modell: Der Higgs-Boson-Zerfall in dunkle Partonen ($\psi\bar{\psi}$), die zu dunklen Hadronen ($\tilde{\omega}$, $\tilde{\eta}$) hadronisieren. Das $\tilde{\omega}$ zerfällt verzögert in Myonen.
  2. Szenario A: Ein erweitertes Hidden-Valley-Modell mit zwei dunklen Flavours. Ein langlebiges dunkles Pion ($\tilde{\pi}_3$) zerfällt prompt in zwei dunkle Photonen ($A'$), die dann verzögert in Myonen zerfallen ("pointing"-Topologie).
  3. Szenario B1: Ähnlich wie A, aber das $\tilde{\pi}_3$ selbst ist langlebig und zerfällt verzögert in $A'$, die prompt in Myonen zerfallen ("non-pointing"-Topologie).
• Ereignisselektion und Maschinelles Lernen:
  • Es werden Ereignisse mit mindestens einem sekundären Vertex (SV), gebildet aus zwei entgegengesetzt geladenen Myonen, gefordert.
  • Ein Boosted Decision Tree (BDT) auf Basis des XGBOOST-Algorithmus wird eingesetzt, um Signale von dem dominanten QCD-Hintergrund zu unterscheiden.
  • Input-Variablen: Der BDT nutzt bis zu 390 Eingangsvariablen, darunter Myon-Multiplizität, transversaler Impact Parameter ($d_{xy}$), Vertex-Chi-Quadrat, Verdrängung ($l_{xy}$) und den "Pointing Angle" (Winkel zwischen Impulsvektor und Verschiebungsvektor).
  • Die Myon-Multiplizität ist ein starkes Diskriminierungsmerkmal, da Signalereignisse aufgrund der Kaskadenzerfälle oft mehr Myonen aufweisen als Hintergrundereignisse.
• Kategorisierung: Die Ereignisse werden in 12 Kategorien unterteilt, basierend auf:
  • Anzahl der Vertices (Single-Vertex vs. Multi-Vertex).
  • Transversaler Verdrängung ($l_{xy}$): [0, 1] cm, (1, 10] cm, > 10 cm.
  • Pointing Angle: [0, 0.2] (pointing) und (0.2, $\pi$] (non-pointing).
• Statistische Auswertung:
  • Eine parametrische Anpassung (Fit) der Invarianten Masse der Myon-Paare wird durchgeführt.
  • Das Signal wird durch eine Voigt-Funktion (Faltung aus Gauß und Breit-Wigner) modelliert.
  • Der Hintergrund wird durch eine Hülle aus Funktionen (Polynom, Exponential, Potenzgesetz) in den Sideband-Bereichen modelliert.
  • Diskretes Profiling wird verwendet, um Unsicherheiten bezüglich der Wahl der Hintergrundfunktion zu berücksichtigen.
  • 95%-Konfidenzintervalle (CL) werden mit dem $CL_s$-Kriterium berechnet.

3. Wichtige Beiträge und Neuerungen

• Erweiterter Massenbereich: Diese Analyse ist die erste, die Hidden-Valley-Dark-Shower-Modelle systematisch im Bereich niedriger Myon-Paar-Massen (0,3 bis 20 GeV) untersucht.
• Niedrige Zerfallslängen: Durch die Nutzung des Trackers und der B-Parking-Daten werden Sensitivitäten für mittlere Eigenlebensdauern ($c\tau$) von 0,1 mm bis 500 mm erreicht, was den Bereich unterhalb von 100 mm abdeckt, der für viele andere Suchen unzugänglich war.
• Erstmalige Grenzen für Szenario A und B1: Es werden zum ersten Mal Obergrenzen für erweiterte Dark-Shower-Modelle mit zwei dunklen Flavours und dunklen Photonen gesetzt, die Massen bis hinunter zu 0,33 GeV abdecken.
• Maschinelles Lernen: Die Anwendung eines BDTs auf eine breite Palette von Vertex- und Myon-Variablen ermöglicht eine effiziente Unterdrückung des QCD-Hintergrunds, selbst in Regionen mit geringer Verdrängung.

4. Ergebnisse

• Beobachtung: Es wurde kein signifikanter Überschuss über die Erwartung des Standardmodells hinaus beobachtet. Die Daten stimmen gut mit dem Hintergrund überein.
• Obergrenzen:
  • Für das Vector-Portal-Modell wurden Obergrenzen für den Verzweigungsverhältnis des Higgs-Bosons in dunkle Partonen ($B(H \to \psi\bar{\psi})$) von bis zu $10^{-4}$ (bei 95% CL) gesetzt.
  • Diese Grenzen übertreffen und erweitern bestehende Limits für dunkle $\tilde{\omega}$-Mesonen mit $c\tau < 500$ mm und Massen ab 0,3 GeV.
  • Im Vergleich zu früheren CMS-Suchen (Ref. [24]) wurden die Grenzen im Bereich $c\tau \in [100, 500]$ mm um bis zu zwei Größenordnungen verbessert.
  • Für Szenario A und B1 wurden erstmals Obergrenzen im Bereich $10^{-2}$ bis $10^{-4}$ für die Verzweigungsverhältnisse bestimmt.
• Parameterabhängigkeit: Die Sensitivität ist bei kürzeren Lebensdauern (kleinerer Verdrängung) aufgrund der höheren Rekonstruktionseffizienz im Tracker oft besser, während bei sehr kurzen Lebensdauern die Effizienz wieder abnimmt. Bei höheren Massen sind die Grenzen strenger aufgrund des niedrigeren Hintergrunds.

5. Bedeutung

Diese Studie füllt eine kritische Lücke in der Suche nach neuer Physik im Bereich der Dunklen Materie. Sie demonstriert die Leistungsfähigkeit der "Data Parking"-Strategie und moderner maschineller Lernverfahren, um nach seltenen, niedrig-massiven und verdrängten Signaturen zu suchen, die in herkömmlichen Analysen übersehen werden. Die Ergebnisse schränken eine breite Klasse von Hidden-Valley-Modellen ein und legen die Grundlage für zukünftige Suchen im Rahmen des High-Luminosity LHC (HL-LHC), insbesondere für Modelle mit sehr leichten dunklen Teilchen und komplexen Zerfallstopologien.