Disentangling Dark Gauge Symmetries with Deep Learning on the Lund Jet Plane

Resumen Técnico: Desentrañando Simetrías de Calibre Oscuras mediante Aprendizaje Profundo en el Plano de Lund para Jets

Planteamiento del Problema
Aunque los sectores oscuros con nuevas simetrías de calibre confinantes son candidatos convincentes para la Materia Oscura (DM), discernir experimentalmente la estructura subyacente del grupo de calibre oscuro (por ejemplo, distinguir entre $SU(N)$, $SO(N)$y$Sp(2N)$) sigue siendo un desafío fenomenológico significativo. La mayoría de los estudios existentes asumen que el sector oscuro refleja la estructura de QCD $SU(3)$ del Modelo Estándar. Sin embargo, los marcos teóricos como la Naturalidad Neutral y los modelos de Higgs Compuesto permiten grupos de Lie arbitrarios. Distinguir entre estos grupos no abelianos es difícil porque sus diferencias se manifiestan en variaciones sutiles de los patrones de radiación de partones, que son además oscurecidos por la dinámica desconocida de hadronización no perturbativa. Los generadores de eventos actuales (por ejemplo, Pythia8, Herwig7) a menudo carecen de la flexibilidad para simular grupos de calibre arbitrarios o para manejar bosones de calibre oscuros masivos con precisión cinemática exacta.

Metodología
Los autores desarrollan un marco integral que combina una novedosa simulación de Monte Carlo (MC) con aprendizaje profundo avanzado para decodificar los patrones de radiación del sector oscuro.

1. Cascada de Partones de Monte Carlo Generalizada:

   • Etiquetado de Teoría de Grupos: Los autores construyen un marco de simulación aplicable a grupos de calibre arbitrarios ($SU(N)$, $SO(N)$, $Sp(2N)$). Implementan un procedimiento de "etiquetado de teoría de grupos" donde los partones portan etiquetas discretas de grupo de calibre, generando dipolos de color entre emisores y espectadores con etiquetas conjugadas coincidentes, generalizando la imagen estándar del flujo de color de QCD.
   • Cinemática Exacta: Para manejar quarks y bosones de calibre oscuros masivos, el marco emplea una parametrización del espacio de fase de tres cuerpos exacta. En lugar de depender de aproximaciones de masa nula, el algoritmo resuelve analíticamente la ecuación cinemática cúbica para cada ramificación. Esto captura los efectos de masa completos, incluyendo los umbrales de "cono muerto" (dead-cone) y las brechas inducidas por la masa en el espacio de fase.
   • Reculada Local: Se utiliza un esquema de reculada local donde el espectador absorbe la reculada longitudinal, asegurando la conservación exacta del tetrapel momentum sin prescripciones ad hoc.
   • Acoplamientos Corrientes: La simulación incorpora la evolución de la Ecuación del Grupo de Renormalización (RGE) del acoplamiento oscuro $\alpha(\mu)$, que varía significamente dependiendo del grupo de calibre específico y el número de sabores ($N_f$).

2. Representación de Datos y Arquitectura de Red:

   • Plano de Lund para Jets (LJP): Los constituyentes finales del jet se mapean en el Plano de Lund para Jets, una representación 2D ($\ln(1/\Delta)$ vs. $\ln(k_T)$) que separa la radiación perturbativa de la hadronización no perturbativa.
   • Red Neural de Clasificación Mamba (NS-MambaNet): Para clasificar jets, los autores utilizan una arquitectura de aprendizaje profundo especializada. El proceso involucra:
     • Codificación de Conjuntos: Tratar el árbol del jet como un conjunto desordenado de nodos (vectores de características de 10 dimensiones por nodo) procesados por auto-atención basada en Transformers.
     • Ordenamiento Neural: Un Clasificador Neural de Múltiples Cabezales (Multi-Head Neural Sorter) predice estrategias de ordenamiento óptimas para convertir el conjunto desordenado en $K$ representaciones secuenciales.
     • Backbone Mamba: Estas secuencias son procesadas por 6 capas Mamba (Modelos de Espacio de Estado Selectivos) para capturar eficientemente las correlaciones causales en la historia de la emisión con complejidad de tiempo lineal.
     • Fusión y Agrupación: Un módulo de Fusión Controlada (Mixture-of-Experts) integra las secuencias ordenadas, seguido de una Agrupación por Atención de Consulta (Query Attention Pooling) para generar un embedding global del jet para la clasificación.

Contribuciones Clave

• Marco de Simulación: El desarrollo del primer marco de cascada de partones MC capaz de simular grupos de calibre arbitrarios con cinemática masiva exacta y un esquema de etiquetado de dipolos unificado.
• Cinemática Masiva: La derivación e implementación de fronteras de espacio de fase exactas para ramificaciones masivas, modelando explícitamente el impacto de los bosones de calibre oscuros masivos en la topología del Plano de Lund.
• Arquitectura de Aprendizaje Profundo: La introducción de NS-MambaNet, que maneja eficazmente la invarianza de permutación de los patrones de radiación mientras captura la estructura causal secuencial de las cascadas de partones.
• Análisis Sistemático: Una investigación sistemática de los patrones de radiación a través de $SU(2)$, $SU(4)$, $Sp(4)$, $Sp(8)$, $SO(5)$y$SO(7)$ bajo diversos benchmarks de masa y cortes infrarrojos.

Resultados

• Límite de Masa Nula: En el límite de masa nula ($m_V = 0$), la NS-MambaNet logra una alta precisión de clasificación para grupos distintos (por ejemplo, 81% para $SU(2)$, 75% para $SO(5)$). Aunque algunos grupos (como $SU(4)$, $Sp(8)$, $SO(7)$) muestran degeneración en la clasificación de un solo jet, la acumulación estadística permite una discriminación con un nivel de confianza (C.L.) del 95% con muy pocos jets (por ejemplo, 14 jets para $SU(4)$ frente a $Sp(8)$).
• Efectos de Masa: La introducción de una masa finita del bosón de calibre oscuro ($m_V$) crea una "isla de radiación suave" distintiva en el LJP a bajas $k_T$. A medida que $m_V$ aumenta, el espacio de fase cinemáticamente permitido se reduce y la capacidad de discriminación se degrada, requiriendo significativamente más jets (por ejemplo, aumentando de 20 a 123 jets para $SU(4)$ frente a $Sp(8)$ cuando $m_V$ pasa de 0.1 GeV a 1.0 GeV).
• Robustez ante Efectos No Perturbativos: El modelo demuestra robustez contra las incertidumbres no perturbativas. Incluso bajo cortes infrarrojos de $k_T$ estrictos (por ejemplo, $k_T > 1.0$ GeV), el clasificador mantiene una alta eficiencia para la mayoría de los pares. Sin embargo, los pares con razones de Casimir similares (por ejemplo, $SU(4)$ frente a $Sp(8)$) sufren una degradación significativa del rendimiento cuando se eliminan las emisiones suaves, ya que la cola suave es crucial para romper las degeneraciones de Casimir de orden superior.

Significancia
El artículo sostiene que las huellas perturbativas de las simetrías de calibre oscuras están codificadas en el espacio de fase multidimensional de la cascada de partones y pueden ser desentrañadas utilizando el marco propuesto. Este trabajo proporciona una hoja de ruta para la "fase de caracterización" tras el descubrimiento de un sector oscuro. Al combinar cinemática de precisión, representaciones de primeros principios (LJP) y aprendizaje profundo de vanguardia, los autores argumentan que los experimentos futuros pueden ir más allá de la mera detección de jets oscuros para reconstruir la naturaleza ultravioleta de la interacción oscura y decodificar las simetrías fundamentales que gobiernan la Materia Oscura. El estudio señala explícitamente que, aunque asume que los constituyentes de los jets oscuros son medibles, las firmas fenomenológicas específicas (por ejemplo, jets semi-visibles) son dependientes del modelo y están fuera del alcance de este análisis centrado en la discriminación.