Light Dark Matter Discovery Potential and Model Selection at LDMX

Resumen Técnico: Potencial de Descubrimiento de Materia Oscura Ligera y Selección de Modelos en LDMX

Problema y Motivación
Las búsquedas basadas en aceleradores ofrecen una vía competitiva para detectar materia oscura (DM) ligera, de sub-GeV, complementando los esfuerzos de detección directa. El Experimento de Materia Oscura Ligera (LDMX) está diseñado para sondear este régimen mediante la medición de la energía y el momento transversal de los electrones de retroceso en colisiones electrón-núcleo de alta intensidad, buscando una firma de momento faltante indicativa de la producción de un fotón oscuro ($A'$) y su subsiguiente desintegración invisible en un par de DM. Si bien LDMX tiene como objetivo mejorar las restricciones sobre el parámetro de mezcla cinética $\epsilon$ por órdenes de magnitud, se requiere un marco estadístico riguroso para evaluar su potencial de descubrimiento, sus capacidades de inferencia de parámetros y su habilidad para distinguir entre hipótesis competitivas del sector oscuro. Esto es particularmente crítico dado el bajo número esperado de eventos en las regiones de señal, lo que hace que las aproximaciones estadísticas asintóticas estándar sean poco fiables.

Metodología
Los autores desarrollan un marco estadístico basado en la verosimilitud (likelihood) integral para LDMX, aplicable tanto a análisis frecuentistas como bayesianos. El núcleo de la metodología consiste en una función de verosimilitud por compartimentos (binned) construida sobre el espacio bidimensional de la energía del electrón de retroceso ($E_{e^-}$) y el momento transversal ($|p_T|_{e^-}$).

• Modelado de Señal y Fondo: Los eventos de señal se simulan utilizando MadGraph5_aMCNLO para procesos de bremsstrahlung oscura ($e^- N \to e^- N A', A' \to \chi \chi^*$). Los fondos se modelan basándose en interacciones fotonucleares y bremsstrahlung de fotones, asumiendo distribuciones de energía y momento transversal no correlacionadas para el fondo. Tanto las distribuciones de señal como las de fondo se suavizan para tener en cuenta los efectos de resolución del detector.
• Marco Estadístico:
  • Frecuentista: El estudio emplea razones de verosimilitud de perfil para determinar los límites de exclusión proyectados (90% C.L.), la significancia de descubrimiento ($5\sigma$) y la estimación de parámetros por máxima verosimilitud. Debido al bajo conteo de compartimentos, los autores rechazan las aproximaciones asintóticas (teorema de Wilks) en favor de la generación de experimentos pseudo-Monte Carlo de juguete completos para derivar las distribuciones del estadístico de prueba.
  • Bayesiano: El marco utiliza un muestreo anidado dinámico (vía dynesty) para computar las distribuciones a posteriori y la evidencia bayesiana. Los parámetros de molestia (normalización de señal y fondo) se marginalizan utilizando distribuciones a priori log-normal, tratando la anchura de la incertidumbre del fondo como un hiperparámetro.
• Comparación de Modelos: Para evaluar la potencia de selección de modelos, los autores comparan el modelo estándar de mezcla cinética (KM) contra modelos de Momento Electromagnético Oscuro (DEM), incluyendo momentos magnéticos/eléctricos (M, E), radio de carga (C) y momento anapolo (A). La discriminación de modelos se cuantifica mediante el factor de Bayes ($K$), evaluado con y sin una restricción previa sobre la densidad de reliquia.

Contribuciones Clave

1. Marco Estadístico Robusto: El artículo establece un marco de verosimilitud diseñado específicamente para LDMX que incorpora incertidumbres sistemáticas y evita aproximaciones asintóticas no fiables mediante el uso de pseudo-experimentos. Este marco está destinado a la aplicación directa a los datos reales de LDMX.
2. Análisis Bidimensional: El estudio demuestra la importancia crítica de utilizar la distribución de retroceso bidimensional completa ($E_{e^-}, |p_T|_{e^-}$) en lugar de análisis de solo energía. La información de forma en la dimensión del momento transversal mejora significativamente la capacidad de discriminación.
3. Evaluación de Referencia (Benchmark): El análisis evalúa la sensibilidad de LDMX en cuatro puntos de referencia a lo largo del objetivo de reliquia térmica para DM escalar complejo, centrándose específicamente en las relaciones de masa $R \equiv m_{A'}/m_{DM} = 2.5$ y $2.2$, que siguen siendo viables tras las recientes restricciones de detección directa (por ejemplo, DAMIC-M, PANDAX-4T) que excluyeron $R \gtrsim 3$.

Resultados

• Exclusión y Descubrimiento:
  • En ausencia de una señal, se proyecta que LDMX excluya el objetivo de la reliquia térmica para $R \gtrsim 2.2$ en el rango de masa $m_{A'} \in [10^{-3}, 0.2]$ GeV.
  • Para el descubrimiento, los puntos de referencia en el objetivo $R=2.5$ (Benchmarks 1 y 3) muestran una fuerte significancia proyectada ($\gg 5\sigma$) tanto en escenarios de bajo fondo ($N_{BG}=1$) como de alto fondo ($N_{BG}=100$).
  • Los puntos de referencia en el más desafiante objetivo $R=2.2$ (Benchmarks 2 y 4) producen significancias medianas justo por debajo de $5\sigma$ en el escenario de bajo fondo y significativamente menores en el escenario de alto fondo, lo que indica que el descubrimiento de $5\sigma$ no está garantizado para estos puntos.
• Estimación de Parámetros:
  • Para los benchmarks de $R=2.5$, LDMX puede recuperar la mezcla cinética $\epsilon$ y la masa del mediador $m_{A'}$ con alta exactitud y precisión (incertidumbres relativas $\sim 10\%$) en ambos escenarios de fondo.
  • Para los benchmarks de $R=2.2$, la inferencia de parámetros es menos fiable debido a los bajos rendimientos de señal y las fluctuaciones de Poisson, lo que resulta en varianzas mayores y, en algunos casos, en restricciones no informativas.
• Discriminación de Modelos:
  • El análisis bidimensional proporciona una capacidad de discriminación sustancialmente mayor (aproximadamente un orden de magnitud superior en $\ln K$) en comparación con los análisis de solo energía.
  • Mientras que los modelos con formas espectrales idénticas (pares M/E y C/A) son indistinguibles, el modelo KM es distinguible de los modelos DEM.
  • Sin embargo, cuando los modelos comparten la misma forma espectral pero difieren en normalización (por ejemplo, KM vs. C/A), son estadísticamente indistinguibles mediante el factor de Bayes por sí solo. La aplicación de una restricción de densidad de reliquia sobre la constante de acoplamiento permite separar estadísticamente estas hipótesis previamente indistinguibles.
  • El estudio destaca que la especificación errónea del modelo puede conducir a sesgos significativos en la inferencia de parámetros incluso cuando el factor de Bayes es cercano a cero, enfatizando la necesidad de una identificación de modelo correcta.

Significancia y Reivindicaciones
El artículo afirma que el marco estadístico desarrollado es esencial para traducir los conteos de eventos brutos en conclusiones físicas robustas para LDMX. Sostiene que la Fase II de LDMX no solo sondeará el espacio de parámetros viable de la reliquia térmica para la DM escalar compleja ligera con una fuerte sensibilidad de exclusión y descubrimiento, sino que también será capaz de caracterizar la interacción subyacente del sector oscuro si se observa un exceso. Los autores enfatizan que sus herramientas están diseñadas para ser directamente aplicables a los datos reales de LDMX y pueden extenderse a otros experimentos de momento faltante (por ejemplo, Lohengrin, DarkSHINE) y a análisis de verosimilitud combinados a través del programa experimental más amplio de DM ligera. El trabajo subraya que el modelado preciso de las distribuciones de señal y fondo, junto con una comprensión exhaustiva de las incertidumbres de normalización, son críticos para los futuros análisis de LDMX.