Machine Learning Enhanced Detection of Higgs Chain Decays in Vector Boson Fusion

Este artículo demuestra que las metodologías avanzadas de Aprendizaje Profundo aplicadas a datos de calorímetros de bajo nivel pueden lograr una significación estadística de aproximadamente 4.5σ en la detección de desintegraciones en cadena del bosón de Higgs CP-par pesado ($h_2 \to h_1h_1 \to b\bar b b\bar b$) producidas mediante Fusión de Bosones Vectoriales dentro del Modelo Supersimétrico Más Allá del Mínimo en el LHC con 300 fb$^{-1}$ de luminosidad integrada.

Lo esencial

Imagina el Gran Colisionador de Hadrones (LHC) como un gigante y veloz chocador de partículas. Los científicos utilizan el choque de protones para ver qué piezas diminutas salen disparadas. Normalmente, buscan el "bosón de Higgs", una partícula descubierta en 2012 que otorga masa a otras partículas. Pero ahora, quieren ver si hay versiones más pesadas de esta partícula escondidas entre los escombros.

Este artículo trata sobre una búsqueda específica y complicada de una partícula "fantasma", pesada e invisible (llamémosla H2), que podría crearse de una forma muy específica y luego dividirse inmediatamente en dos partículas Higgs más pequeñas y familiares (llamémoslas H1).

Aquí está la historia de cómo intentaron encontrarla, explicada de forma sencilla:

1. La configuración: La fábrica "VBF"

Normalmente, cuando el LHC estrella partículas, el Higgs se crea al chocar dos partículas pesadas de tipo "gluón". Pero en este estudio, los científicos están buscando una fábrica diferente: la Fusión de Bosones Vectores (VBF).

Piensa en la VBF como dos coches que se mueven rápido (quarks) pasando uno junto al otro en una autopista. No chocan directamente; en su lugar, intercambian un "ticket" (un portador de fuerza) que crea una partícula pesada (H2) en medio de la carretera. Los dos coches siguen su camino, pero son empujados ligeramente hacia los lados, dejando dos chorros de "desechos" (jets) volando hacia adelante y hacia atrás. Esta es la firma de la fábrica VBF.

2. El misterio: La "reacción en cadena"

Una vez que este pesado H2 es creado, no permanece por mucho tiempo. Se descompone (se rompe) instantáneamente en dos partículas Higgs más ligeras (H1).

• El Problema: Estas partículas H1 se mueven increíblemente rápido porque el H2 era muy pesado.
• El Resultado: Debido a que se mueven tan rápido, las dos partículas diminutas dentro de cada H1 (que son "quarks fondo") se comprimen tanto que parecen un único y desordenado spray de escombros, en lugar de dos elementos separados. En física, esto forma un "chorro gordo" (fat jet).

Así que los científicos están buscando una escena muy específica:

1. Dos chorros de "desechos" volando muy separados (hacia adelante y hacia atrás).
2. Dos "chorros gordos" en el medio, cada uno conteniendo un spray oculto de cuatro quarks fondo.

3. El desafío: Buscar una aguja en un pajar

El problema es que el LHC produce miles de millones de choques "normales" cada segundo. La mayoría de estos choques producen sprays aleatorios de quarks fondo que se ven exactamente como la señal que los científicos buscan. Es como intentar encontrar un tipo específico y raro de copo de nieve en una tormenta de nieve donde el 99% de los copos parecen idénticos.

Los científicos intentaron primero un método tradicional:

• Establecieron reglas simples (como "los desechos deben pesar esto" o "los chorros deben estar tan separados").
• Resultado: Fue un desastre. Solo encontraron un diminuto indicio de la señal (unas 1.7 veces el ruido). En ciencia, necesitas un "5-sigma" (5 veces el ruido) para reclamar un descubrimiento. Estaban muy lejos.

4. La solución: El "Detective de IA"

Dado que las reglas simples no funcionaron, el equipo recurrió al Aprendizaje Automático (Machine Learning), específicamente a un tipo de Aprendizaje Profundo llamado Redes Neuronales Convolucionales (CNN).

Imagina que los depósitos de energía en el detector son una fotografía digital (una "imagen de chorro" o jet image).

• La forma antigua: Medir el peso total y el tamaño de la foto.
• La forma de la IA: La IA observa la textura y el patrón de la foto. Aprende a reconocer la "huella dactilar" única del desprendimiento del pesado H2, incluso si el peso total parece similar al ruido de fondo.

Entrenaron a la IA con millones de choques simulados. La IA aprendió a distinguir entre un spray de quarks "falso" y la descomposición "real" del pesado H2.

5. El giro: Cambiando el lente de la cámara

Los científicos también probaron dos formas de agrupar las partículas en "chorros" (las fotos):

1. Lente Fija: Usando un tamaño estándar e invariable para el marco de la cámara.
2. Lente Variable: Usando una cámara que se acerca o se aleja automáticamente dependiendo de qué tan rápido se muevan las partículas.

El Resultado:

• La IA usando un Lente Fijo mejoró la señal a unas 2.8 veces el ruido. Mejor, pero sigue sin ser un descubrimiento.
• La IA usando un Lente Variable (que se adapta a la velocidad de las partículas) fue la ganadora. Aumentó la señal a 4.5 veces el ruido.

La conclusión

Aunque no alcanzaron el umbral de "5-sigma" para un descubrimiento confirmado en esta simulación específica, demostraron que el Aprendizaje Automático es un cambio de juego.

• Sin IA: La señal era invisible (1.7σ).
• Con IA: La señal se volvió fuerte y clara (4.5σ).

El artículo concluye que si los datos reales del LHC se parecen a su simulación, el uso de estas herramientas avanzadas de IA para observar la "textura" de los sprays de partículas podría finalmente permitir a los científicos encontrar estas partículas Higgs pesadas que sufren descomposiciones en cadena. Sugiere que el enfoque del "Lente Variable" es la mejor manera de ver a través del ruido del universo.

Resumen técnico

Resumen Técnico: Detección Mejorada mediante Aprendizaje Automático de Desintegraciones en Cadena de Higgs en Fusión de Bosones Vectoriales

Planteamiento del Problema
El descubrimiento del bosón de Higgs de 125 GeV confirmó el Modelo Estándar (SM), pero dejó abiertas interrogantes respecto a la Materia Oscura, la asimetría materia-antimateria y el problema de la jerarquía, lo que hace necesaria la física más allá del Modelo Estándar (BSM). La Supersimetría (SUSY), particularmente el Modelo Supersimétrico Necesario-Mínimo (NMSSM), ofrece un marco natural para abordar estos problemas al extender el sector de Higgs. Un interés fenomenológico específico radica en la producción de un bosón de Higgs CP-par pesado ($h_2$) mediante Fusión de Bosones Vectoriales (VBF), que posteriormente se desintegra en un par de bosones de Higgs de tipo SM ($h_1$), cada uno de los cuales se desintegra en un par de quarks $b$ ($h_2 \to h_1h_1 \to b\bar{b}b\bar{b}$).

Aunque el canal de fusión de gluones-gluones (ggF) es típicamente dominante para la producción de Higgs, regiones específicas del espacio de parámetros del NMSSM (como el Punto de Referencia C de la Ref. [14]) suprimen el acoplamiento de $h_2$ con los quarks top, haciendo que la VBF sea el mecanismo de producción principal. Sin embargo, la detección de esta desintegración en cadena específica es desafiante. La señal involucra un resonancia pesada ($m_{h_2} \approx 700$ GeV) que se desintegra en bosones de Higgs más ligeros y acelerados (boosted) ($m_{h_1} \approx 125$ GeV), lo que resulta en un estado final con dos jets de quarks ligeros hacia adelante/atrás y cuatro quarks $b$ centrales. Los análisis convencionales de "corte y conteo" (cut-and-count) tienen dificultades para distinguir esta señal del abrumador fondo de multijets QCD (específicamente $gg \to b\bar{b}b\bar{b}$), produciendo una significancia estadística muy por debajo del umbral de descubrimiento.

Metodología
Los autores realizan un estudio de simulación de colisionadores a $\sqrt{s} = 14$ TeV utilizando el Punto de Referencia C del NMSSM ($m_{h_2} = 700$ GeV, $m_{h_1} = 126.2$ GeV). El flujo de análisis incluye:

1. Generación de Eventos y Simulación: Los eventos de señal ($qq \to qqh_2 \to qqh_1h_1 \to qqb\bar{b}b\bar{b}$) y de fondo ($gg \to b\bar{b}b\bar{b}$) se generan utilizando MadGraph5_aMC@NLO y PYTHIA8, seguidos de una simulación rápida de detector con Delphes (tarjeta CMS).
2. Reconstrucción de Objetos:
   • Jets de radio pequeño (Small-R): El algoritmo Anti-$k_T$ ($R=0.4$) identifica los jets hacia adelante/atrás y los subjets etiquetados como $b$.
   • Jets de radio grande (Large-R o Fat Jets): Para capturar las desintegraciones aceleradas (boosted) de $h_1 \to b\bar{b}$, se reconstruyen jets de radio grande utilizando dos algoritmos: uno de radio fijo ($R=1.2$) y uno de radio variable (escalando $R$ de 0.4 a 2.0 basado en el momento de los constituyentes).
   • Criterios de Selección: Los eventos requieren al menos dos jets hacia adelante/atrás que satisfagan la topología VBF ($|\Delta\eta_{jj}| \ge 4.5$, $M_{jj} \ge 700$ GeV) y al menos dos jets de radio grande en la región central ($|\eta| < 2$, $p_T > 200$ GeV), cada uno conteniendo al menos dos subjets etiquetados como $b$.
3. Arquitectura de Aprendizaje Automático:
   • Imágenes de Jets: La distribución de energía de los constituyentes dentro de los jets de radio grande se convierte en imágenes 2D en el plano $(\eta, \phi)$.
   • Modelo de Aprendizaje Profundo: Una arquitectura de Red Neuronal Convolucional (CNN) multicapa, inspirada en GoogLeNet, procesa estas imágenes de jets. El modelo utiliza dos ramas de imagen paralelas (para los jets de radio grande líder y sub-líder) para extraer vectores de características latentes.
   • Enfoque Híbrido: Para mejorar aún más la discriminación, una rama separada procesa variables cinemáticas de alto nivel (por ejemplo, masas invariantes de pares de jets, fracciones de energía, separaciones angulares y medidas de simetría de subjets). Las salidas de las ramas de imagen y la rama cinemática se concatenan para la clasificación final.

Contribuciones Clave

• Sensibilidad VBF en NMSSM: El artículo demuestra que el canal $h_2 \to h_1h_1 \to 4b$ es accesible en el modo de producción VBF, un escenario donde el acoplamiento del Higgs pesado con los quarks top está suprimido.
• Aplicación de Aprendizaje Profundo: Introduce una estrategia de aprendizaje profundo específicamente diseñada para esta desintegración en cadena, utilizando imágenes de jets para capturar la subestructura de las desintegraciones de Higgs acelerados (boosted).
• Comparación de Algoritmos: El estudio compara sistemáticamente los algoritmos de agrupamiento de jets de radio fijo y radio variable, mostrando que el agrupamiento de radio variable captura mejor la física de los objetos acelerados con diferentes escalas de momento.
• Integración Cinemática: Valida la eficacia de combinar información de bajo nivel de los calorímetros (imágenes de jets) con características cinemáticas de alto nivel para maximizar la significancia de la señal.

Resultados
El análisis evalúa el rendimiento con una luminosidad integrada de $300 \text{ fb}^{-1}$:

• Corte y Conteo (Cut-and-Count): Un análisis convencional utilizando cortes de ventana de masa alrededor de $m_{h_1}$ y $m_{h_2}$ produce una significancia estadística de solo 1.7$\sigma$, insuficiente para el descubrimiento.
• CNN sobre Imágenes de Jets (Radio Fijo): El uso exclusivo de la CNN multicapa sobre imágenes de jets mejora la significancia a 2.8$\sigma$.
• Modelo Híbrido (Radio Fijo): La combinación de imágenes de jets con características cinemáticas aumenta la significancia a 4.2$\sigma$ (cayendo a 3.7$\sigma$ con una incertidumbre sistemática del 10%).
• Modelo Híbrido (Radio Variable): La configuración óptima emplea el algoritmo de agrupamiento de jets de radio variable combinado con el modelo CNN híbrido. Esto logra una significancia estadística de 4.5$\sigma$ (manteniendo 4.0$\sigma$ con una incertidumbre sistemática del 10%).

Significancia y Afirmaciones
Los autores afirman que sus hallazgos representan una mejora significativa respecto a estudios previos (específicamente la Ref. [14]) que analizaron el mismo punto de referencia del NMSSM pero se centraron en el canal $h_2 \to ZZ \to 4\ell$, encontrando una significancia de menos de 1$\sigma$ para ese modo durante el Run 3.

El artículo sostiene que, al aprovechar metodologías avanzadas de aprendizaje profundo sobre datos de calorímetro de bajo nivel, el modo de producción VBF para desintegraciones en cadena de Higgs pesados ($h_2 \to h_1h_1 \to 4b$) se convierte en un canal de descubrimiento viable y competitivo en el LHC Run 3, ofreciendo potencialmente una sensibilidad comparable o superior al canal ggF en escenarios específicos de BSM. Los autores abogan por que ATLAS y CMS adopten estas estrategias de análisis específicas (agrupamiento de radio variable y CNNs híbridas) para investigar los auto-acoplamientos de Higgs y la física BSM en el régimen VBF.