Search for electroweakinos in compressed-spectrum scenarios with low-momentum isolated tracks in proton-proton collisions at $\sqrt{s}$ = 13 TeV

Unter Verwendung von 138 fb$^{-1}$ an Proton-Proton-Kollisionsdaten bei 13 TeV führte die CMS-Kollaboration eine Suche nach nahezu massendegenerierten higgsino-artigen Elektroweakinos über niederenergetische isolierte Spuren und fehlenden transversalen Impuls durch, wobei kein signifikanter Überschuss festgestellt wurde und strenge Ausschlussgrenzen für Chargino-Massen bis zu 185 GeV für Massenaufspaltungen zwischen 0,28 und 1,15 GeV gesetzt wurden.

Das Wesentliche

Das große Ganze: Jagd nach „gespenstischen Zwillingen"

Stellen Sie sich vor, Sie sind ein Detektiv, der nach einer ganz bestimmten Art von Kriminellen sucht. Dieser Kriminelle ist ein „Geist", der niemals einen Fingerabdruck hinterlässt, aber eine winzige, fast unsichtbare Fußspur.

In der Welt der Teilchenphysik suchen Wissenschaftler am CERN (der Europäischen Organisation für Kernforschung) nach Beweisen für Supersymmetrie (SUSY). Denken Sie an SUSY als eine „Schattenwelt", in der jedes bekannte Teilchen einen schwereren, unsichtbaren Zwilling hat. Eine bestimmte Art dieser Zwillinge wird Higgsino genannt.

Das Problem? Diese Higgsinos sind sehr schüchtern. Falls sie existieren, könnten sie in ihrem Gewicht so ähnlich ihren Partnern sein, dass sie sich beim Zerfall (dem Auseinanderbrechen) kaum bewegen. Das macht sie unglaublich schwer zu entdecken, wie das Finden eines Flüsterns in einem Hurrikan.

Das spezifische Rätsel: Das „komprimierte" Szenario

Dieses Papier konzentriert sich auf eine knifflige Situation, die als „komprimiertes Spektrum" bezeichnet wird.

• Die Analogie: Stellen Sie sich eine schwere Bowlingkugel (das schwere Teilchen) vor, die einen Hügel hinunterrollt. Normalerweise, wenn sie zerbricht, schleudert sie eine Tennisball (ein neues Teilchen) mit großer Geschwindigkeit heraus. Man kann den Tennisball leicht davonfliegen sehen.
• Die Wendung: In diesem spezifischen Szenario wiegen die Bowlingkugel und der Tennisball fast exakt gleich viel. Wenn die Bowlingkugel zerbricht, fliegt der Tennisball nicht davon; er rollt nur ganz langsam weiter. Er bewegt sich so langsam (er hat einen „niedrigen Impuls"), dass es aussieht, als würde er einfach dort schweben.

Da diese Teilchen so schwer sind und sich so langsam bewegen, verlassen sie den Detektor nicht schnell. Stattdessen legen sie eine winzige Strecke zurück (bis zu etwa 1 Zentimeter), bevor sie sich in ein einzelnes, langsam bewegendes Pion (eine Art Teilchen) verwandeln. Dies erzeugt einen „weichen, isolierten Spur" – eine schwache, kurze Linie im Detektor, die nicht mit der Hauptkollisionsstelle verbunden ist.

Die Herausforderung: Eine Nadel im Heuhaufen finden

Die Wissenschaftler suchen nach diesen schwachen, langsamen Spuren in einer riesigen Datenmenge.

• Der Heuhaufen: Der Large Hadron Collider (LHC) lässt Protonen Milliarden von Malen miteinander kollidieren. Die meisten dieser Kollisionen erzeugen ein chaotisches Durcheinander von Teilchen (Hintergrundrauschen).
• Die Nadel: Das Signal, das sie suchen, ist eine einzelne, langsame Spur, die etwas abseits vom Zentrum der Kollision erscheint, begleitet von viel „fehlender Energie" (weil die gespenstischen Teilchen den Detektor verlassen, ohne gesehen zu werden).

Die Schwierigkeit besteht darin, dass das Hintergrundrauschen enorm ist. Es gibt viele gefälschte Spuren, die durch Verwirrung des Detektors oder durch andere häufige Teilchenwechselwirkungen verursacht werden. Das echte „Geister"-Signal vom Rauschen zu unterscheiden, ist wie der Versuch, eine bestimmte Person in einem Stadion voller jubelnder Fans flüstern zu hören.

Die Lösung: Ein smarter KI-Detektiv

Um dies zu lösen, nutzte das CMS-Team nicht nur einfache Regeln (wie „wenn die Spur diese Länge hat, zähle sie"). Stattdessen bauten sie ein Neuronales Netz (eine Art künstliche Intelligenz).

• Wie es funktioniert: Stellen Sie sich vor, Sie trainieren einen Hund, einen bestimmten Geruch zu finden. Sie zeigen dem Hund Tausende von Beispielen für den „Geister"-Geruch (simuliertes Signal) und Tausende von Beispielen für „Rauschen" (Hintergrund).
• Das Training: Die KI wurde mit Daten über die Spuren gefüttert: wie schnell sie sich bewegten, wo genau sie begannen und wie weit sie vom Zentrum abdrifteten. Sie lernte, subtile Muster zu erkennen, die menschliche Augen oder einfache Mathematik übersehen würden.
• Das Ergebnis: Die KI fungiert als Filter, sortiert die Millionen von Spuren und sagt: „Diese hier sieht aus wie ein Geist" oder „Diese hier ist nur Rauschen".

Die Untersuchung: Was haben sie gefunden?

Das Team analysierte Daten von 138 Billionen Protonenkollisionen (138 fb⁻¹), die zwischen 2016 und 2018 aufgezeichnet wurden. Sie nutzten ihre KI, um nach dem spezifischen „langsamen Spur"-Signaturen zu scannen.

Das Urteil:

• Keine Geister gefunden: Nachdem sie alle Daten durchgesehen hatten, fanden sie keine Beweise für diese Higgsino-Zwillinge. Die Anzahl der Ereignisse, die sie sahen, stimmte exakt mit dem überein, was das Standardmodell (unsere derzeit beste Theorie der Physik) für normales Hintergrundrauschen vorhersagt.
• Ausschluss von Möglichkeiten: Obwohl sie die Teilchen nicht fanden, lernten sie etwas Wichtiges. Sie können nun mit 95%iger Sicherheit sagen, dass, falls diese Higgsinos existieren, sie nicht so leicht wie 185 GeV (eine Masseneinheit) sein können, wenn die Massendifferenz zwischen ihnen gering ist.

Das Fazit: Ein Fenster schließen

Denken Sie an diese Suche als das Schließen einer Tür zu einem bestimmten Raum in einem Haus.

• Vor diesem Papier wussten die Wissenschaftler nicht, ob sich diese „komprimierten" Higgsinos in diesem Raum versteckten.
• Nach diesem Papier können sie sagen: „Wir haben überall in diesem Raum gesucht, und die Higgsinos sind nicht dort (zumindest nicht mit der Masse und Geschwindigkeit, die wir getestet haben)."

Dies setzt strenge Grenzen für die „Natürliche Supersymmetrie". Es sagt den Theoretikern, dass, falls diese Teilchen existieren, sie schwerer sein müssen oder sich anders verhalten müssen als die spezifischen „komprimierten" Modelle, die dieses Papier getestet hat. Die Suche geht weiter, aber dieser spezifische Versteckort wurde gründlich überprüft und leer befunden.

Technische Zusammenfassung

1. Problemstellung und physikalische Motivation

Die Suche richtet sich auf komprimierte Supersymmetrie-Spektren (SUSY), insbesondere Szenarien mit higgsino-artigen Elektroweakinos. In diesen Modellen ist das leichteste Neutralino ($\tilde{\chi}^0_1$) das leichteste supersymmetrische Teilchen (LSP) und ein Kandidat für Dunkle Materie. Die nächstleichtesten supersymmetrischen Teilchen (NLSPs) – das leichteste Chargino ($\tilde{\chi}^\pm_1$) und das zweite Neutralino ($\tilde{\chi}^0_2$) – sind dem LSP nahezu massendegeneriert.

• Die Herausforderung: Wenn die Massenaufspaltung ($\Delta m^\pm = m(\tilde{\chi}^\pm_1) - m(\tilde{\chi}^0_1)$) klein ist (speziell 0,3–1 GeV), erzeugt der Zerfall $\tilde{\chi}^\pm_1 \to \tilde{\chi}^0_1 \pi^\pm$ ein sehr niederenergetisches (weiches) Pion.
• Schwierigkeiten bei der Detektion:
  • Wenn $\Delta m^\pm \lesssim 0,3$ GeV, ist das Chargino langlebig genug, um eine Signatur eines „verschwindenden Tracks" zu erzeugen.
  • Wenn $\Delta m^\pm \gtrsim 1$ GeV, ist das Pion energiereich genug, um als Standard-Track einfach rekonstruiert zu werden.
  • Die „Lücke": Im intermediären Bereich (0,3–1 GeV) hat das Pion einen transversalen Impuls ($p_T$), der typischerweise unter 1 GeV liegt, und eine Verschiebung von bis zu ~1 cm vom primären Vertex (PV). Diese Tracks gehen oft aufgrund von Standard-Rekonstruktionsschwellen verloren oder werden mit Untergrund aus Pile-up und Untergrundereignissen verwechselt.

2. Methodik

Daten und Selektion

• Datensatz: 138 fb$^{-1}$ an Proton-Proton-Kollisionsdaten bei $\sqrt{s} = 13$ TeV, gesammelt vom CMS-Detektor (2016–2018).
• Trigger: Ereignisse werden mit einem Schwellenwert für fehlenden transversalen Impuls ($p_T^{miss}$) von $>120$ GeV ausgewählt.
• Offline-Selektion:
  • $p_T^{miss} > 300$ GeV und $H_T^{miss} > 300$ GeV (skalare Summe der Jet-$p_T$).
  • Mindestens ein isoliertes Track mit $p_T < 20$ GeV und $|\eta| < 2,4$.
  • Veto auf isolierte Elektronen, Myonen, Photonen und hadronische $\tau$-Leptonen.
  • Veto auf $b$-markierte Jets und Ereignisse mit $\ge 5$ Jets.
  • Anforderungen an die winklige Trennung ($\Delta\phi$) zwischen $p_T^{miss}$ und Jets zur Ablehnung von QCD-Multijet-Untergrund.

Untergrundschätzung

Die dominierenden Untergründe sind:

1. $Z \to \nu\nu$ + Jets: Echter $p_T^{miss}$ von Neutrinos.
2. $W \to \ell\nu$: Wo das Lepton verloren geht oder die Identifikation verfehlt.
3. QCD-Multijets: Fehlgemessener $p_T^{miss}$ und gefälschte Tracks.
4. Sekundäre Tracks: Tracks aus Pile-up, Untergrundereignissen oder Zerfällen von Teilchen, die am primären Vertex (PV) erzeugt wurden (PV-assoziiert).

Die Untergrundausbeuten werden unter Verwendung von Simulationen geschätzt, die durch datengetriebene Methoden korrigiert werden:

• Normalisierung: Skalierungsfaktoren, die aus Kontrollregionen (CR) abgeleitet werden, unter Verwendung von $Z \to \mu\mu$-Ereignissen (für $Z \to \nu\nu$) und inklusiven Track-$z$-Verschiebungs- ($d_z$) Verteilungen (für PV-assoziierte und spurartige Tracks).
• Verfeinerung: Eine multivariate Regression basierend auf der Fast Perfekt-Methodik wird verwendet, um Fehlabbildungen in der Simulation von Track-Kinetik und Impact-Parametern zu korrigieren, wodurch sichergestellt wird, dass die simulierten Verteilungen in den Kontrollregionen mit den Daten übereinstimmen.

Strategie des maschinellen Lernens

Ein parametrisiertes feedforward-Neurales Netzwerk (NN) bildet das Kernstück der Analyse, um Signal-Tracks vom Untergrund zu unterscheiden.

• Architektur: Drei versteckte Schichten mit jeweils 256 Einheiten unter Verwendung von LeakyReLU-Aktivierungen.
• Eingaben: 37 Observablen, einschließlich Track-Kinetik ($p_T$, $\eta$), Helix-Fit-Qualität, Signifikanz des Impact-Parameters ($IP_{xy}$) relativ zum PV und zu Pile-up-Vertices sowie ereignisweite $p_T^{miss}$.
• Parametrisierung: Das Netzwerk wird mit dem Eingabe-Massenunterschied ($\Delta m^\pm_{in}$) als Parameter trainiert (0,3, 0,6 und 1,0 GeV), um Korrelationen über den Signal-Phasenraum hinweg zu erfassen.
• Ausgabe: Das NN klassifiziert Tracks in fünf Kategorien: Signal, $\tau$-Zerfallstracks, andere sekundäre Tracks, prompte PV-Tracks und spurartige Tracks.
• Signifikanzregionen (SRs): Ereignisse werden basierend auf dem NN-Score ($\tilde{P}$) für die Signalklasse kategorisiert. Drei distincte SRs werden definiert, die den Eingabe-$\Delta m^\pm_{in}$-Werten entsprechen, wobei jede weiter nach dem Score in Bins unterteilt wird, um die Sensitivität zu maximieren.

3. Hauptbeiträge

1. Neuer Suchkanal: Dies ist eine der ersten Suchen, die speziell auf den schwierigen Bereich der Massenaufspaltung 0,3–1 GeV abzielen und niederenergetische isolierte Tracks mit einem dedizierten NN-Ansatz verwenden. Frühere Suchen konzentrierten sich entweder auf verschwindende Tracks ($\Delta m < 0,3$ GeV) oder weiche Leptonen ($\Delta m > 1$ GeV).
2. Fortgeschrittene Untergrundmodellierung: Die Verwendung eines parametrisierten NN ermöglicht eine einheitliche Behandlung von Signal und Untergrund über verschiedene Massenaufspaltungen hinweg und verbessert die Sensitivität im Vergleich zu traditionellen schwellenwertbasierten Analysen erheblich.
3. Datengetriebene Verfeinerung: Die Implementierung der Fast Perfekt-Regressionsmethode zur Korrektur von Fehlabbildungen in der Simulation weicher Track-Eigenschaften (Impact-Parameter und $p_T$) gewährleistet eine robuste Untergrundschätzung in einem Bereich, der von Rekonstruktionseffizienzen dominiert wird.

4. Ergebnisse

• Beobachtung: Es wurde in keiner der 12 Signifikanzregionen ein signifikanter Überschuss an Ereignissen über der Erwartung des Standardmodells hinweg beobachtet. Die Daten sind mit der reinen Untergrund-Hypothese vereinbar.
• Ausschlussgrenzen (95% Konfidenzniveau):
  • Massenaufspaltung: Das Higgsino-Modell ist für Massenaufspaltungen im Bereich 0,28–1,15 GeV ausgeschlossen.
  • Chargino-Masse:
    • Für eine Massenaufspaltung von 0,55 GeV sind Chargino-Massen bis zu 185 GeV ausgeschlossen.
    • Für eine Chargino-Masse von 100 GeV sind Massenaufspaltungen zwischen 0,28 und 1,15 GeV ausgeschlossen.
• Vergleich: Diese Grenzen sind für dieses spezifische komprimierte Spektrum-Szenario die strengsten bisher und schließen effektiv eine signifikante Lücke in der Suche nach natürlicher Higgsino-Dunkler Materie.

5. Bedeutung

Diese Analyse adressiert eine kritische „blinde Stelle" in der Suche nach natürlicher Supersymmetrie. Natürlichkeitsargumente legen nahe, dass Higgsinos leicht sein sollten (nahe der elektroschwachen Skala, $\sim 100$ GeV), um Feinabstimmung zu vermeiden. Wenn jedoch die Massenaufspaltung klein ist, sind die resultierenden weichen Pionen schwer zu detektieren.

Durch die erfolgreiche Rekonstruktion und Identifizierung dieser weichen, potenziell verschobenen Tracks unter Verwendung eines ausgefeilten maschinellen Lernansatzes leistet dieses Ergebnis Folgendes:

• Einschränkung natürlicher SUSY: Es setzt strenge Grenzen für den Parameterraum natürlicher Higgsino-Szenarien und schiebt die untere Grenze der Chargino-Masse in diesem spezifischen kinematischen Bereich deutlich höher als frühere Grenzen.
• Demonstration der Methodik: Es validiert den Einsatz parametrisierter neuronaler Netze und fortschrittlicher Track-Rekonstruktionstechniken zur Untersuchung niederenergetischer Signaturen, eine Strategie, die für zukünftige LHC-Läufe mit hoher Luminosität und zukünftige Beschleuniger unverzichtbar sein wird.
• Implikationen für Dunkle Materie: Es verengt das gangbare Fenster für Higgsino-Dunkle Materie und legt nahe, dass, falls Higgsinos existieren, sie entweder schwerer als 185 GeV sein müssen (was die Feinabstimmung erhöht) oder Massenaufspaltungen außerhalb des Bereichs 0,28–1,15 GeV aufweisen müssen.