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

El experimento ATLAS presenta una búsqueda agnóstica de física más allá del Modelo Estándar en estados finales con al menos cuatro leptones ligeros utilizando datos de colisiones protón-protón a 13 TeV, donde no se observó ningún exceso significativo sobre el fondo esperado y se establecieron nuevos límites en varios modelos teóricos, incluyendo uno de leptones vectoriales con sabor.

Lo esencial

¡Hola! Imagina que el Gran Colisionador de Hadrones (LHC) es una gigantesca máquina de hacer "sopa de partículas". Cada segundo, dispara protones a velocidades increíbles para que choquen entre sí, creando una explosión de materia que se descompone en miles de partículas nuevas.

El experimento ATLAS es como un ojo gigante y superinteligente que observa esta sopa para ver qué ingredientes hay. La mayoría de las veces, la "sopa" sale exactamente como la receta oficial de la física (el Modelo Estándar): siempre sale el mismo tipo de zanahorias, patatas y carne.

Pero los científicos sospechan que falta algo. Quizás hay un ingrediente secreto, un "alienígena" en la sopa, que explica cosas como la materia oscura o por qué los objetos tienen masa. El problema es que no sabemos qué forma tiene ese ingrediente secreto. Si solo buscamos "zanahorias azules", podríamos pasar por alto un "plátano invisible".

¿Qué hizo este equipo?

En lugar de buscar un ingrediente específico, decidieron usar una técnica de "búsqueda de anomalías".

Imagina que eres un chef experto que ha preparado millones de platos de sopa siguiendo la receta clásica. Conoces cada gramo de sal y cada trozo de verdura. Un día, decides usar una Inteligencia Artificial (IA) para revisar todos los platos.

1. Entrenamiento: Le muestras a la IA millones de platos "normales" (sopa estándar) para que aprenda cómo se debe sentir y saber la sopa perfecta.
2. La Búsqueda: Luego, le pides que revise la sopa real que sale de la máquina. La IA no busca un ingrediente específico; simplemente busca cualquier cosa que se sienta "rara" o "fuera de lugar".
   • ¿Hay un plato que sabe un poco más dulce de lo normal?
   • ¿Hay una textura que nunca has visto?
   • ¿Hay un sabor que no encaja con la receta?

Esa es la esencia de este artículo: buscar lo "raro" sin saber qué es lo "raro".

El escenario: 4 Leptones (Los "Héroes" de la historia)

En el mundo de las partículas, los leptones (como electrones y muones) son como los "héroes" limpios y fáciles de identificar en medio del caos. Son partículas que no se desintegran tan rápido como otras y dejan una huella clara.

El equipo se centró en eventos donde salían al menos 4 de estos héroes a la vez.

• Por qué 4? Porque en la "receta normal" (Modelo Estándar), es muy difícil que salgan 4 héroes juntos. Es como si en tu sopa de verduras, de repente, aparecieran 4 trozos de oro flotando. Si ves 4, algo muy especial está pasando.

La Magia: La Detección de Anomalías (AD)

Aquí es donde entra la magia de la máquina de aprendizaje.

• El problema: Si buscas un monstruo específico (por ejemplo, un "Vector-Like Lepton" de 500 GeV), podrías perder a otro monstruo que sea de 600 GeV o que tenga forma de triángulo.
• La solución: Usaron un algoritmo llamado Flujo Normalizante (una técnica de IA avanzada). Imagina que este algoritmo es un detective de huellas dactilares.
  • Primero, aprende la "huella dactilar" de la sopa normal (el ruido de fondo).
  • Luego, mira cada evento nuevo. Si la huella dactilar del evento es muy diferente a la de la sopa normal, la IA le pone una puntuación de "sospecha" alta.
  • Es como si la IA dijera: "Oye, este plato tiene un sabor que no está en mi libro de recetas. ¡Anoten esto!"

¿Qué encontraron?

Después de revisar 140 billones de colisiones (una cantidad de datos inmensa, como leer todos los libros de una biblioteca gigante millones de veces), el resultado fue:

🛑 No encontraron ningún ingrediente secreto.

La "sopa" era exactamente como la receta predecía. No hubo platos extraños, ni sabores alienígenas, ni trozos de oro flotando. Todo encajaba perfectamente con el Modelo Estándar.

¿Por qué es importante si no encontraron nada?

¡En ciencia, "no encontrar nada" también es un gran descubrimiento!

1. Cerraron la puerta a muchas teorías: Al no ver nada raro, los científicos pueden decir: "Si existe un monstruo de este tipo, debe ser más pesado o más difícil de detectar de lo que pensábamos". Esto obliga a los teóricos a reescribir sus recetas.
2. Primera vez en leptones: Antes, esta técnica de "buscar lo raro" se usaba principalmente en chorizos (jets de partículas). Esta es la primera vez que se aplica a los "héroes" (leptones), demostrando que la técnica funciona bien en este nuevo terreno.
3. Establecieron límites: Aunque no vieron el monstruo, dijeron: "Si el monstruo existe, no puede pesar menos de X kilos". Esto es como decir: "No vimos al fantasma en la casa, pero si existe, no puede ser más pequeño que un ratón".

En resumen

Imagina que estás en una fiesta donde todos bailan la misma canción (el Modelo Estándar). De repente, decides usar unos lentes mágicos (la IA) para buscar a alguien que baile de forma diferente.

• Buscas a alguien que baile salsa, tango, o breakdance.
• Miras a miles de personas.
• Resultado: Todos bailan exactamente igual. Nadie se sale de la coreografía.

Conclusión: La fiesta sigue siendo aburrida (según la física), lo cual es bueno porque significa que nuestra receta de la realidad es muy sólida. Pero también significa que, si hay un bailarín secreto, tendrá que venir con un traje mucho más espectacular (más energía) para que podamos verlo la próxima vez.

¡Y eso es lo que harán en el futuro: seguir buscando, con lentes más potentes, a ver si alguien se atreve a romper la coreografía!

Resumen técnico

1. El Problema y el Contexto

El Modelo Estándar (ME) de la física de partículas ha demostrado una precisión extraordinaria, pero deja sin responder preguntas fundamentales como la naturaleza de la materia oscura, la asimetría bariónica o el origen de las masas de los neutrinos. Las búsquedas tradicionales de física más allá del Modelo Estándar (BSM) suelen ser dependientes del modelo, diseñadas para detectar firmas específicas de teorías concretas. Sin embargo, si la nueva física no coincide con los modelos teóricos preferidos, estas búsquedas podrían pasarla por alto.

Este trabajo aborda la necesidad de un enfoque agnóstico al modelo (model-agnostic) para descubrir nuevas partículas o fenómenos en estados finales con alta multiplicidad de leptones (electrones y muones), un canal con bajo fondo del Modelo Estándar pero donde las señales BSM podrían manifestarse de formas inesperadas.

2. Metodología

A. Selección de Eventos y Reconstrucción

• Datos: Se utilizaron eventos con al menos cuatro leptones ligeros ($4\ell$) o cinco o más ($\ge 5\ell$).
• Categorización: Los eventos se dividieron en tres canales ortogonales según la carga total y la multiplicidad:
  1. $4\ell$ con carga total $Q=0$.
  2. $4\ell$ con carga total $Q=\pm 2$.
  3. $\ge 5\ell$.
• Reconstrucción: Se aplicaron criterios estrictos de identificación, aislamiento y calidad para electrones y muones, junto con la reconstrucción de jets (incluyendo etiquetado $b$) y momento transversal faltante ($E_T^{miss}$).

B. Detección de Anomalías (Anomaly Detection - AD)

El núcleo de la innovación es el uso de Flujos Normalizadores (Normalizing Flows), un modelo de aprendizaje automático no supervisado, para la detección de anomalías.

• Enfoque: Se trata de una búsqueda de "datos fuera de distribución" (outlier detection). El objetivo es identificar eventos que caigan en regiones de baja probabilidad del espacio de fases del Modelo Estándar, en lugar de buscar "bultos" (bumps) específicos.
• Entrenamiento: El modelo se entrenó exclusivamente con simulaciones de Monte Carlo (MC) de los fondos del Modelo Estándar ($ZZ$, $t\bar{t}Z$, $VVV$, etc.).
• Variables de Entrada: Se utilizaron variables cinemáticas de alto nivel (ej. $H_T^{lep}$, $E_T^{miss}$, masas invariantes de pares de leptones, puntuación de etiquetado $b$ pseudo-continua) para calcular la densidad de probabilidad.
• Puntuación de Anomalía: Se definió una puntuación $s(x)$ basada en el logaritmo de la densidad de probabilidad, escalada al rango $[0, 1]$, donde valores más altos indican eventos más anómalos.

C. Estrategias de Búsqueda

Se definieron dos tipos de regiones de búsqueda:

1. Búsqueda Independiente del Modelo (Model-Independent): Se dividió el espacio en "regiones de descubrimiento" basadas en la puntuación de anomalía (cortes de rechazo de fondo al 90%, 99%, 99.9%). Se realizaron 16 ajustes independientes (fits) para probar diferentes regiones de señal sin asumir un modelo específico.
2. Búsqueda Dependiente del Modelo (Model-Dependent): Se utilizaron las mismas regiones pero con una categorización adicional basada en la multiplicidad de jets $b$ y el sabor de los leptones no asociados a bosones $Z$. Se realizó un ajuste de verosimilitud simultáneo en todas las regiones para evaluar la sensibilidad a modelos específicos.

D. Estimación de Fondos

Los fondos del Modelo Estándar se estimaron mediante simulación MC, normalizados a los datos en cinco Regiones de Control (CR) ortogonales:

• Enriquecidas en $WZ/t\bar{t}Z$.
• Enriquecidas en conversiones de fotones.
• Enriquecidas en leptones no prompt de hadrones pesados ($HF$) y ligeros ($LF$).
• Se aplicaron factores de normalización derivados del ajuste de verosimilitud para corregir las simulaciones.

3. Contribuciones Clave

• Primera búsqueda AD en multileptones: Este es el primer análisis de detección de anomalías totalmente no supervisado realizado en estados finales con múltiples leptones en el LHC.
• Límites agnósticos al modelo: Se establecieron límites de sección eficaz visible para cada región de descubrimiento, permitiendo futuras reinterpretaciones sin necesidad de reanalizar los datos crudos.
• Nuevos límites en modelos específicos:
  • Leptones Vectoriales (VLL): Se probaron modelos de singlete y doblete de $SU(2)$, así como el modelo "flavorful VLL" (con un escalar complejo leptófilo), que permite desintegraciones que violan el sabor leptónico y generan hasta 6 leptones.
  • Supersimetría (SUSY): Se analizaron modelos de producción de winos (charginos y neutralinos) y smuones con acoplamientos RPV (violación de paridad R).

4. Resultados

• Consistencia con el Modelo Estándar: No se observó ningún exceso significativo de eventos en ninguna de las regiones de búsqueda, ni en el análisis independiente ni en el dependiente del modelo.
• Significancia Global: El exceso local más grande observado fue de $2\sigma$ en las regiones $Q=\pm 2$ y $0Z$ con puntuación $>99.9\%$, pero la significancia global (considerando el efecto "look-elsewhere") fue de solo $0.90\sigma$.
• Límites de Exclusión (Modelo-Dependiente):
  • VLL Singlete ($VLL^S$): Excluidos hasta masas de ~290-320 GeV.
  • VLL Dobleto ($VLL^D$): Excluidos hasta masas de ~850-925 GeV.
  • VLL Flavorful: Se establecieron por primera vez límites de exclusión para este modelo. Se excluyen masas de VLL hasta 1300 GeV (para electrones) y 1280 GeV (para muones), dependiendo de la masa del escalar asociado.
  • SUSY (Winos): Excluidos hasta masas de ~1600 GeV.
  • SUSY (Smuons): Excluidos hasta masas de ~495 GeV (mejorando la sensibilidad en ciertas regiones de masa comparado con búsquedas dedicadas).

5. Significancia e Impacto

• Validación de Técnicas de IA: El éxito de esta búsqueda demuestra que los métodos de aprendizaje automático no supervisado (como los Flujos Normalizadores) son herramientas viables y potentes para la física de altas energías, capaces de complementar las búsquedas tradicionales sin introducir sesgos teóricos fuertes.
• Amplitud de Cobertura: Al no asumir una señal específica, el análisis cubre un espectro más amplio de posibles nuevas físicas, incluyendo escenarios exóticos como la violación de sabor leptónico en desintegraciones de VLL.
• Reutilización de Datos: Los resultados independientes del modelo proporcionan un marco para que la comunidad científica reinterprete los datos en el futuro a medida que surjan nuevas teorías BSM.
• Límites Competitivos: En muchos casos, los límites obtenidos con esta técnica agnóstica son competitivos o incluso superiores a los de búsquedas dedicadas, especialmente en regiones del espacio de fases donde las señales BSM son complejas o difusas.

En conclusión, este trabajo representa un hito en la estrategia de búsqueda del ATLAS, integrando técnicas avanzadas de inteligencia artificial para explorar el "desconocido" en los datos del LHC, confirmando la robustez del Modelo Estándar en el régimen de alta multiplicidad de leptones y estableciendo nuevos límites de referencia para la física teórica.