Search for the pair production of long-lived supersymmetric partners of the tau lepton in proton-proton collisions at $\sqrt{s}$ = 13 TeV

Unter Verwendung von 138 fb$^{-1}$ an Proton-Proton-Kollisionsdaten bei $\sqrt{s}$ = 13 TeV, die durch das CMS-Experiment gesammelt wurden, präsentiert diese Arbeit die erste Suche nach der Produktion langlebiger Stau-Paare unter Anwendung eines Graph-Neuronalen Netzes zur Identifizierung versetzter Tau-Leptonen, was zu verbesserten Ausschlussgrenzen für Stau-Massen und Zerfallslängen innerhalb von Modellen der gaugemedierten Supersymmetrie-Brechung führt.

Das Wesentliche

Das große Ganze: Die Jagd nach „geisterhaften“ Cousins

Stellen Sie sich das Universum wie eine riesige, belebte Party vor, bei der Teilchen die Gäste sind. Das Standardmodell ist die Gästeliste, die wir kennen und verstehen. Die Supersymmetrie (SUSY) ist eine Theorie, die besagt, dass es für jeden Gast auf dieser Party einen „Zwilling“ gibt, den wir noch nicht getroffen haben. Diese Zwillinge sind schwerer und verstecken sich meistens sehr gut.

In diesem Papier geht es um die Jagd nach einem ganz bestimmten Zwilling: dem Stau. Das Stau ist der supersymmetrische Partner des Tau-Leptons (ein schwerer Cousin des Elektrons).

In vielen Theorien erscheinen und verschwinden diese Zwillinge sofort. Aber in diesem speziellen Szenario ist das Stau etwas anders. Es ist wie ein Gast, der auf der Party ankommt, eine bemerkenswerte Zeit lang im Raum umherstreift und dann geht. Weil es verweilt, hinterlässt es eine Spur, die anders aussieht als die der üblichen „sofortigen“ Gäste. Die Wissenschaftler beim CMS-Experiment am CERN wollten genau diese „verweilenden“ Staus erhaschen.

Die Herausforderung: Eine Nadel im Heuhaufen finden

Das Problem ist, dass der „Heuhaufen“ (das Hintergrundrauschen des LHC-Colliders) gewaltig ist. Jedes Mal, wenn Protonen zusammenstoßen, entstehen tausende von Teilchen. Die meisten davon sehen aus wie normale Trümmerwolken (Jets).

Die Wissenschaftler suchten nach einer ganz spezifischen Signatur:

1. Zwei „Tau-Teilchen“, die aus dem Nichts auftauchen.
2. Fehlende Energie: Da das Stau in ein Tau und ein nahezu unsichtbares „Gravitino“ (ein Geisterteilchen) zerfällt, scheint ein Teil der Energie aus dem Raum zu verschwinden.
3. Der „versetzte“ Hinweis: Dies ist der wichtigste Teil. Normale Taus zerfallen sofort am Ort der Kollision. Diese speziellen Stau-Taus legen einige Millimeter oder Zentimeter vom Zentrum weg zurück, bevor sie zerfallen. Es ist, als würde man ein Feuerwerk beobachten, das nicht explodiert, bis es bereits auf halbem Weg am Himmel ist.

Das neue Werkzeug: Ein intelligenter „versetzter“ Detektor

Das Papier hebt eine bedeutende Verbesserung in ihrer Suchstrategie hervor. Bisher waren die Werkzeuge zur Identifizierung von Tau-Teilchen wie Sicherheitskräfte, die darauf trainiert waren, Menschen direkt an der Eingangstür zu entdecken. Wenn jemand ein paar Schritte in die Lobby wanderte, bevor er identifiziert wurde, übersahen die Wächter ihn oft oder hielten ihn für normales Rauschen.

Um dies zu beheben, entwickelte das Team ein neues, superintelligentes KI-Werkzeug namens DISTAU.

• Die Analogie: Stellen Sie sich vor, die alten Werkzeuge wären wie ein Standard-Metalldetektor gewesen. Das neue DISTAU-Werkzeug ist wie ein Detektiv mit einer 3D-Karte und einer Lupe. Es betrachtet die „Form“ der Teilchenspur und weiß genau, wie man ein Teilchen erkennt, das seine Reise einige Schritte entfernt vom Haupteingang begonnen hat.
• Diese KI basiert auf einem „Graph Neural Network“, einer Art von Mathematik, die betrachtet, wie Teilchen miteinander verbunden sind, anstatt sie nur einzeln zu betrachten.

Die Suche: 138 „Jahre“ an Daten

Das Team analysierte Daten, die zwischen 2016 und 2018 gesammelt wurden. Sie verfügten über einen massiven Datensatz, der 138 inverse Femtobarn entspricht (eine Einheit für das Datenvolumen). Um dies einzuordnen: Wenn man sich die Daten als eine Bibliothek vorstellt, haben sie eine Bibliothek durchforstet, die so groß ist, dass es Millionen von Jahren dauern würde, wenn man jede Sekunde ein Buch lesen würde.

Sie richteten eine „Falle“ (die Signalregion) mit sehr spezifischen Regeln ein:

• Muss zwei Tau-Teilchen haben, die „versetzt“ (umherwandernd) wirken.
• Muss viel fehlende Energie aufweisen (die Geisterteilchen).
• Darf keinen anderen offensichtlichen „Lärm“ enthalten (wie zusätzliche Elektronen oder Myonen).

Die Ergebnisse: Die Party ist ruhig

Nachdem sie ihr hochentwickeltes KI-System durch all diese Daten laufen ließen, war das Ergebnis: Es wurden keine Staus gefunden.

Doch in der Wissenschaft ist das Finden von „Nichts“ dennoch eine große Entdeckung, weil es uns sagt, wo wir nicht suchen müssen.

• Der Ausschluss: Sie können nun mit einer Konfidenz von 95 % sagen, dass diese Stau-Zwillinge, falls sie existieren, bestimmte Gewichte (Massen) oder Reiseentfernungen nicht besitzen können.
  • Wenn sie zwischen 126 und 260 GeV wiegen (in einem Szenario), können sie keine Distanz von 50 mm zurücklegen.
  • Wenn sie 200 GeV wiegen, können sie nicht zwischen 21 und 94 mm weit reisen.
• Die Verbesserung: Ihr neues KI-Werkzeug (DISTAU) machte die Suche wesentlich effektiver als bisherige Versuche. Sie konnten mehr Möglichkeiten ausschließen als je zuvor und damit die „Sicherheitszone“, in der sich diese Teilchen verstecken könnten, effektiv verkleinern.

Warum das wichtig ist

Obwohl sie das Stau nicht gefunden haben, haben sie die Grenzen unseres Wissens erweitert.

• Vorher: Wir wussten, dass Staus in bestimmten Szenarien weder zu leicht noch zu schwer sein können.
• Jetzt: Wir wissen, dass sie in diesem spezifischen „mittleren Bereich“ von Gewicht und Reiseentfernung definitiv nicht existieren.

Es ist wie die Suche nach einem verlorenen Schlüssel in einem Haus. Man prüft die Küche, das Wohnzimmer und das Schlafzimmer. Man findet ihn nicht, aber nun weiß man sicher, dass er nicht in diesen Räumen liegt. Man muss das nächste Mal im Keller oder auf dem Dachboden suchen. Dieses Papier hat effektiv einen großen Teil des „Kellerbereichs“ des Parameterraums des Universums geräumt und zwingt zukünftige Theorien dazu, präziser anzugeben, wo diese schwer fassbaren Teilchen sich verstecken könnten.

Kurz gesagt: Die Wissenschaftler haben einen brandneuen, KI-gestützten „Detektor für versetzte Teilchen“ eingesetzt, um eine riesige Menge an Kollisionsdaten zu scannen. Sie haben die geisterhaften Stau-Zwillinge nicht gefunden, aber sie konnten erfolgreich beweisen, dass diese Zwillinge, falls sie existieren, nicht an dem spezifischen Ort sind, an dem sie gesucht wurden. Dies macht die Suche nach der Supersymmetrie fokussierter und effizienter.

Technische Zusammenfassung

Technische Zusammenfassung: Suche nach der Paarproduktion langlebiger Staus in Proton-Proton-Kollisionen bei $\sqrt{s} = 13$ TeV

Problem und Motivation
Modelle der gaugemediierten Supersymmetriebrechung (GMSB) bieten einen überzeugenden Rahmen für Physik jenseits des Standardmodells (SM), insbesondere bei der Adressierung des Hierarchieproblems und der Bereitstellung eines Kandidaten für Dunkle Materie (das Gravitino). In diesen Szenarien ist das Stau ($\tilde{\tau}$), das Supersymmetrie-Partnerteilchen des Tau-Leptons, oft das nächstleichteste supersymmetrische Teilchen (NLSP). Aufgrund der unterdrückten Kopplung zwischen dem Stau, dem Tau und dem nahezu masselosen Gravitino ($\tilde{G}$) kann das Stau eine makroskopische Lebensdauer besitzen, wobei es innerhalb des Detektorvolumens zerfällt. Dies führt zu „dislozierten“ Zerfallsvorgängen, bei denen die resultierenden Tau-Leptons signifikant fernab vom primären Proton-Proton-Interaktionspunkt entstehen.

Bestehende Suchen nach langlebigen Staus sahen sich mit Einschränkungen konfrontiert. Traditionelle Algorithmen zur Identifizierung hadronischer Tau-Leptone ($\tau_h$), die für prompten Zerfall optimiert sind, leiden unter einem rapiden Effizienzverlust (Abfall um $\approx 95\,\%$, wenn die Zerfallslänge bei einer transversalen Verschiebung von $\sim 10$ mm liegt), sobald sich der Zerfallsvertex weiter von der Strahlachse entfernt. Diese Arbeit adressiert die Notwendigkeit einer dedizierten Suchstrategie, die in der Lage ist, Staus mit Eigendekaylängen ($c\tau_0$) im Bereich von 1 bis 1000 mm zu identifizieren, wobei gezielt auf den Zerfallskanal gesetzt wird, bei dem beide Staus hadronisch zerfallen ($\tilde{\tau} \to \tau \tilde{G}$).

Methodik
Die Analyse nutzt Proton-Proton-Kollisionsdaten, die vom CMS-Experiment am LHC zwischen 2016 und 2018 bei einer integrierten Luminosität von $138 \text{ fb}^{-1}$ bei $\sqrt{s} = 13$ TeV gesammelt wurden.

• Signalmodell: Die Suche geht von vereinfachten GMSB-Modellen aus, in denen Stau-Paare produziert werden und in ein Tau-Lepton und ein Gravitino zerfallen. Zwei Szenarien werden betrachtet: ein „maximal gemischtes“ Szenario (Produktion des leichteren Masseneigenzustands $\tilde{\tau}_1$) und ein „massen-degeneriertes“ Szenario (Produktion sowohl von $\tilde{\tau}_L$ als auch $\tilde{\tau}_R$).
• Ereignisrekonstruktion und Selektion: Ereignisse werden selektiert, indem sie einen großen fehlenden transversalen Impuls ($p_T^{\text{miss}} > 120$ GeV) und exakt zwei hadronische Tau-Kandidaten erfordern. Zur Unterdrückung von SM-Hintergrundereignissen werden Ereignisse, die Veto-Elektronen, Veto-Muonen oder b-getaggte Jets enthalten, verworfen.
• Der DISTAU-Algorithmus: Die Kerninnovation dieser Arbeit ist die Anwendung des DISTAU-Identifizierungsalgorithmus. Dies ist ein Graph-Neural-Network basierend auf der PARTICLENET-Architektur, das speziell darauf trainiert wurde, dislozierte hadronische Tau-Kandidaten ($\tau_h^{\text{dis}}$) von Hintergrund-Jets zu unterscheiden. Im Gegensatz zu Standardalgorithmen nutzt DISTAU Merkmale, die für dislozierte Zerfälle relevant sind, wie etwa die Impaktparameter der geladenen Bestandteil-Tracks, während gleichzeitig die Sensitivität für hadronische Tau-Eigenschaften erhalten bleibt. Der Algorithmus arbeitet mit drei Arbeitspunkten (loose, medium, tight), wobei der „tight“-Punkt ($WPT$) einen transversalen Impaktparameter von $|d_{xy}| > 2$ mm und eine Signifikanz von $\hat{d}_{xy} > 5$ erfordert.
• Hintergrundschätzung: Der dominante Hintergrund entsteht durch SM-Jets, die als dislozierte Taus fehlidentifiziert werden. Da Simulationen unzureichend sind, um die Ausläufer der kinematischen Verteilungen zu modellieren, wird eine datengestützte Methode angewandt. Die Fehlidentifikationswahrscheinlichkeiten werden in Kontrollregionen gemessen, die angereichert sind mit $W$+Jets und Drell-Yan ($Z/\gamma^* \to \tau\tau$)+Jets Ereignissen. Diese Wahrscheinlichkeiten werden als Funktion von Jet-$p_T$ und $|d_{xy}|$ parametrisiert und in die Signalregion (SR) extrapoliert.
• Statistische Analyse: Die Signalregion wird in acht Bins basierend auf dem subleitenden Tau-$p_T$, $p_T^{\text{miss}}$ und der stranstransversalen Masse ($m_{T2}$) unterteilt. Ein Profil-Likelihood-Verhältnis-Teststatistik wird verwendet, um Obergrenzen auf den Produktionsquerschnitt bei einem Konfidenzniveau von 95 % CL festzulegen, wobei systematische Unsicherheiten aus Theorie, Detektorleistung und Hintergrundschätzung berücksichtigt werden.

Wesentliche Beiträge

1. Erste Anwendung von DISTAU: Diese Arbeit präsentiert die erste Suche nach langlebigen Staus unter Verwendung des DISTAU-Graph-Neural-Network-Algorithmus, der speziell dafür entwickelt wurde, die Effizienz für Tau-Leptone zu regenerieren, die weit entfernt vom Primärvertex zerfallen.
2. Erweiterter Parameterraum: Die Analyse deckt einen breiten Bereich von Stau-Massen ($m_{\tilde{\tau}}$) von 90 bis 600 GeV und Eigendekaylängen ($c\tau_0$) von 1 bis 1000 mm ab und füllt damit Lücken, die durch frühere Suchen hinterlassen wurden, welche auf prompten Zerfall oder sehr lange Lebensdauern beschränkt waren.
3. Verbesserte Hintergrundmodellierung: Durch den Einsatz einer robusten datengestützten Technik unter Verwendung von Kontrollregionen und Kreuzprüfungen zwischen $W$+Jets und Drell-Yan-Proben minimiert die Analyse die Abhängigkeit von Simulationen für den dominanten, fehlidentifizierten-Jet-Hintergrund.

Ergebnisse
Die Analyse beobachtete keinen signifikanten Überschuss an Ereignissen gegenüber dem vorhergesagten SM-Hintergrund. Die beobachteten Ereigniserträge in allen acht Signal-Bins waren konsistent mit der Hintergrund-Hypothese. Folglich wurden Ausschlussgrenzen für den Stau-Paar-Produktionsquerschnitt gesetzt.

• Ausschlussgrenzen (Maximally Mixed Scenario): Stau-Massen im Bereich von 126–260 GeV sind für eine Eigendekayllänge von $c\tau_0 = 50$ mm ausgeschlossen. Für eine Stau-Masse von $m_{\tilde{\tau}} = 200$ GeV sind Eigendekayllängen im Bereich von 21–94 mm ausgeschlossen.
• Ausschlussgrenzen (Mass-Degenerate Scenario): Aufgrund eines höheren Produktionsquerschnitts sind die Grenzen stärker. Stau-Massen im Bereich von 90–425 GeV sind für $c\tau_0 = 50$ mm ausgeschlossen. Für $m_{\tilde{\tau}} = 200$ GeV ist der ausgeschlossene Dekaylängenbereich 6–333 mm.
• Performance: Die Ergebnisse verbessern die zuvor von ATLAS und CMS berichteten Ausschlussgrenzen. Beispielsweise werden bei $m_{\tilde{\tau}} = 300$ GeV im Massen-degenerierten Szenario die Obergrenzen auf den Querschnitt im Vergleich zu früheren Suchen um den Faktor 2,5 bis 5,7 verbessert, abhängig von der Dekayllänge.

Bedeutung
Das Paper behauptet, dass die Entwicklung und Anwendung des dedizierten DISTAU-Algorithmus zu einer signifikanten Verbesserung der experimentellen Sensitivität gegenüber langlebigen Stau-Signaturen geführt hat. Durch die erfolgreiche Identifizierung dislozierter Tau-Leptone, die durch Standard-Rekonstruktionsmethoden nicht erfasst worden wären, erweitert diese Suche den untersuchten Parameterraum für die Supersymmetrie. Die Ergebnisse stellen die bisher strengsten Beschränkungen für GMSB-Szenarien dar, die langlebige Staus beinhalten, welche innerhalb des CMS-Trackers zerfallen, und schließen effektiv bestimmte Regionen des $m_{\tilde{\tau}}$ vs. $c\tau_0$ Parameterraums aus. Die Analyse demonstriert die Lebensfähigkeit des Einsatzes von Graph Neural Networks zur Bewältigung nicht-standardisierter Signaturen in der Hochenergiephysik und bietet eine Vorlage für zukünftige Suchen nach dislozierten Objekten.