Reinterpreting the ATLAS HHH$\to 6b$ Search with CheckMATE and Rivet: Validation, TRSM Benchmarks, and HL-LHC Prospects

Resumen Técnico: Reinterpretación de la búsqueda ATLAS $HHH \to 6b$ con CheckMATE y Rivet

Problema y Motivación
La medición de los acoplamientos propio del bosón de Higgs ($\lambda_3$ y $\lambda_4$) es un objetivo primordial para el Gran Colisionador de Hadrones (LHC), ya que las desviaciones de las predicciones del Modelo Estándar (SM) señalarían física más allá del Modelo Estándar (BSM). Si bien la producción de pares de Higgs ha proporcionado restricciones, la producción de triple Higgs ($HHH$) ofrece una sensibilidad independiente crucial para el acoplamiento cuártico. La colaboración ATLAS publicó recientemente una búsqueda de $HHH \to 6b$ (HIGP-2024-32) utilizando técnicas avanzadas de aprendizaje automático, específicamente Redes Neuronales Profundas (DNN), y un modelo estadístico basado en el formato HS3. Sin embargo, la complejidad de estos análisis —particularmente la dependencia de entradas de redes neuronales propietarias y de verosimilitudes estadísticas— plantea desafíos para la reinterpretación independiente. Este artículo aborda la necesidad de una implementación robusta y validada de la búsqueda ATLAS $HHH \to 6b$ en dos marcos de reinterpretación ampliamente utilizados: CheckMATE y Rivet.

Metodología
Los autores implementaron el análisis de ATLAS tanto en CheckMATE como en Rivet, siguiendo un protocolo de validación riguroso habilitado por el extenso material auxiliar proporcionado por ATLAS (incluyendo redes neuronales ONNX, modelos de verosimilitud HS3 y histogramas de validación).

1. Generación de Eventos y Simulación: Los eventos de señal para el SM y el Modelo de Dos Escalares Reales (TRSM) se generaron utilizando MadGraph5_aMC@NLO a $\sqrt{s}=13$ TeV y 14 TeV, en interfaz con Pythia 8 para el choque de partones y la hadronización. La simulación del detector se realizó utilizando Delphes 3.5 (para CheckMATE) y las funciones de ensanchamiento (smearing) de Rivet (para Rivet), incorporando el algoritmo de etiquetado de sabor $b$ DL1d.
2. Detalles de la Implementación:
   • CheckMATE: Utilizó la biblioteca ONNX Runtime C++ para la inferencia de DNN y una nueva interfaz para las verosimilitudes en formato HS3 usando XRooFit.
   • Rivet: Empleó un script de Python independiente para leer archivos YODA y HS3 para la inferencia estadística, dado que el paquete Contur estándar aún no soporta directamente las verosimilitudes HS3.
3. Proceso de Validación: Los autores realizaron una comparación granular de las diez variables de entrada cinemáticas para tres DNN distintas (no resonante, resonante y de resonancia pesada) contra las distribuciones de referencia de ATLAS. Crucialmente, identificaron y corrigieron discrepancias en la definición de las variables de entrada, específicamente:
   • Esfericidad/Aplanaridad: El análisis original calculaba estos observables después de realizar un boost de los seis jets líderes al sistema de reposo del triple Higgs, un detalle inicialmente omitido en la implementación.
   • RMS($\eta$): Corregido para reflejar la raíz de la media cuadrática de los seis $b$-jets líderes antes del emparejamiento, en lugar de los tres candidatos a Higgs.
4. Análisis Estadístico: Las implementaciones fueron validadas comparando los límites de exclusión contra los resultados de ATLAS para más de 60 puntos de referencia. Posteriormente, el estudio aplicó estas herramientas validadas a un nuevo conjunto de 140 puntos de "Referencia de Doble Resonancia Optimizada" (ODRB) de la Ref. [25], que satisfacen las restricciones de perturbatividad y ofrecen secciones eficaces mejoradas en comparación con los puntos de referencia anteriores.

Contribuciones Clave

• Primera Validación Completa de Entradas de ML: Este trabajo presenta la primera instancia en la que todas las distribuciones de entrada y salidas de una red neuronal de un experimento del LHC han sido validadas individualmente contra el experimento original, confirmando la necesidad de gráficos auxiliares detallados para la reinterpretación de ML.
• Integración de Verosimilitud HS3: Demuestra el primer uso de verosimilitudes en formato HS3 dentro del marco CheckMATE y un flujo de trabajo personalizado para Rivet, validando la utilidad de este formato para estudios de reinterpretación de BSM externos.
• Corrección de Detalles del Análisis: El artículo identifica discrepancias técnicas específicas entre la descripción del análisis publicado y la implementación real (por ejemplo, el boost de marco para la esfericidad), proporcionando una metodología corregida para futuras reinterpretaciones.
• Proyecciones de Nueva Física: El estudio extiende el análisis a los puntos de referencia ODRB, que no fueron cubiertos en la publicación original de ATLAS, y proyecta la sensibilidad para el LHC de Alta Luminosidad (HL-LHC).

Resultados

• Validación: Tras corregir las definiciones de las variables de entrada, las implementaciones de CheckMATE y Rivet mostraron una excelente concordancia con los datos de ATLAS para las distribuciones de entrada y las puntuaciones de las DNN. Los límites de exclusión estadística para los puntos de referencia originales de ATLAS se reprodujeron dentro de las bandas de incertidumbre, con desviaciones menores atribuidas a la exclusión de ciertas incertidumbres sistemáticas específicas de la señal en el flujo de trabajo de recasteo.
• Sensibilidad de Run 2: Aplicando las herramientas validadas a los 140 puntos ODRB a $\sqrt{s}=13$ TeV (Run 2), los autores encontraron que ninguno de los puntos de referencia es excluido por el conjunto de datos actual. El límite de fuerza de señal observada ($\mu$) más fuerte es aproximadamente 4.
• Perspectivas del HL-LHC: Extrapolando al HL-LHC ($\sqrt{s}=14$ TeV, 3 ab$^{-1}$ y 6 ab$^{-1}$) bajo varios escenarios de incertidumbre sistemática:
  • En un escenario "base", no se excluye ningún punto.
  • En un escenario de "incertidumbre de fondo reducida", 3 puntos se vuelven accesibles con un conjunto de datos combinado ATLAS+CMS (6 ab$^{-1}$).
  • En un escenario de "sin sistemáticas", 25 puntos son accesibles con 3 ab$^{-1}$, y 67 puntos (casi la mitad del conjunto) son accesibles con 6 ab$^{-1}$.
  • La DNN resonante proporciona los límites más fuertes para la mayoría de los puntos, aunque la DNN no resonante se vuelve dominante para valores de $m_3$ más altos.

Significancia
El artículo demuestra que, con suficiente material auxiliar (modelos ONNX, verosimilitudes HS3 y gráficos de validación detallados), las búsquedas complejas basadas en aprendizaje automático del LHC pueden recastearse de manera exitosa y precisa. La validación exitosa del formato HS3 para la inferencia estadística en herramientas externas marca un paso significativo hacia búsquedas de física BSM más transparentes y reproducibles. Aunque los datos actuales de Run 2 son insuficientes para sondear estos nuevos puntos de referencia ODRB, el estudio establece que el HL-LHC tiene el potencial de excluir una parte significativa de estos modelos físicamente motivados, siempre que las incertidumbres sistemáticas se gestionen y, potencialmente, si las redes neuronales se optimizan para la cinemática específica de estos nuevos puntos de referencia. Los autores enfatizan que sus resultados sirven como una prueba de concepto para la utilidad de HS3 y la importancia de la validación detallada en la era del aprendizaje automático avanzado en física de partículas.