🔬 physics

Hadronic Mono-Z Dark Matter Sensitivity with Flow Matching on CMS Open Data

Este artículo presenta un estudio de sensibilidad proyectada para la materia oscura hadrónica mono- $Z$ utilizando CMS Open Data, demostrando que un modelo de ajuste de flujo condicional que incorpora cinemática detallada de jets adicionales logra significancias esperadas de hasta 7.62 $\sigma$ al tiempo que aborda desafíos metodológicos como la imputación de objetos faltantes y el sesgo de muestra interna.

Autores originales: Hitesh Rasineni, Bhavishya Chebrolu

Publicado 2026-08-20

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Hitesh Rasineni, Bhavishya Chebrolu

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El universo está lleno de materia que no podemos ver. Los astrónomos saben que esta sustancia invisible, llamada materia oscura, existe porque su gravedad tira de las estrellas y las galaxias, pero se niega a interactuar con la luz o la materia ordinaria de cualquier otra forma. Descubrir de qué está hecha esta sustancia sigue siendo uno de los mayores misterios de la física. Una forma en que los científicos intentan vislumbrarla es chocando protones a velocidades increíblemente altas dentro de máquinas masivas llamadas colisionadores de partículas. Si se crean partículas de materia oscura en estas colisiones, saldrían volando sin ser detectadas, llevándose energía con ellas. Esta energía faltante dejaría un desequilibrio revelador en los restos del choque, un vacío en la contabilidad que sugiere que algo invisible se ha escapado.

Para encontrar esta energía faltante, los investigadores buscan patrones específicos donde se produce una partícula conocida, como un bosón Z, junto con la materia oscura invisible. El bosón Z es un portador pesado de la fuerza nuclear débil, y puede desintegrarse en un par de chorros (jets), que son ráfagas de partículas que parecen un único objeto pesado en el detector. Esta configuración específica, donde un bosón Z aparece sin nada más que energía faltante, es un campo de caza prometedor. Sin embargo, el verdadero desafío es que el ruido de fondo de las colisiones de partículas ordinarias es abrumador. Es como intentar escuchar un susurro en un huracán; la señal está ahí, pero la tormenta de eventos ordinarios hace que sea casi imposible distinguirla sin herramientas increíblemente sofisticadas para separar ambos.

En un estudio reciente utilizando datos del experimento Compact Muon Solenoid (CMS) en el Gran Colisionador de Hadrones, los investigadores abordaron este desafío aplicando un nuevo tipo de inteligencia artificial a la búsqueda de materia oscura en estas colisiones hadrónicas, o basadas en chorros. El equipo, trabajando con datos abiertos de 2015, se centró en un conjunto de datos específico que contenía más de 20 millones de colisiones registradas. De este enorme grupo, seleccionaron alrededor de 1,44 millones de eventos que cumplían con los criterios de un bosón Z producido con energía faltante. En lugar de depender de fórmulas estadísticas tradicionales para adivinar cómo debería verse el ruido de fondo, entrenaron un modelo informático flexible para que aprendiera la forma del fondo directamente de los datos mismos. Este modelo actúa como un filtro altamente sensible, aprendiendo los patrones complejos de las colisiones ordinarias tan bien que puede detectar cuando un evento nuevo parece lo suficientemente extraño como para ser una señal de materia oscura.

Los investigadores utilizaron una técnica llamada emparejamiento de flujo (flow matching), que permite al ordenador mapear la probabilidad de diferentes resultados de colisión sin estar forzado a entrar en cajas matemáticas rígidas. Enseñaron al modelo a reconocer el fondo alimentándolo con los eventos de colisión seleccionados, pero mantuvieron un grupo separado de eventos ocultos del proceso de entrenamiento para probar el modelo más tarde. Esto aseguró que el ordenador no estuviera simplemente memorizando los datos, sino aprendiendo realmente los patrones subyacentes. Para manejar la realidad desordenada de la física de partículas, donde algunas mediciones pueden faltar si no se producen partículas adicionales, el equipo desarrolló un método especial para marcar estos vacíos claramente en lugar de llenarlos con números falsos que podrían confundir al modelo. También aplicaron una verificación de seguridad para asegurar que cualquier señal que reclamaran encontrar se basara en un número sólido de eventos de fondo, evitando ser engañados por fluctuaciones estadísticas aleatorias en la cola de los datos.

Cuando probaron este sistema contra señales simuladas de materia oscura, los resultados fueron impactantes para ciertos tipos de modelos teóricos. Para dos de los tres escenarios probados, el modelo proyectó que el experimento podría haber alcanzado una sensibilidad de nivel de descubrimiento, alcanzando una significación que se consideraría un descubrimiento en el campo si se observara tal señal. Para el tercer escenario, más ligero, la sensibilidad proyectada era menor, pero aún presente. Crucialmente, el estudio reveló que los chorros adicionales de partículas que suelen producirse junto a la colisión principal no eran solo ruido; portaban información vital. Cuando los investigadores eliminaron los detalles sobre estos chorros adicionales de su análisis, la capacidad proyectada para detectar la señal de materia oscura cayó drásticamente, en más de la mitad en algunos casos. Esto sugiere que la forma y disposición específicas de estos chorros de partículas adicionales proporcionan una huella digital única que ayuda a distinguir un evento de materia oscura del caótico fondo de las colisiones ordinarias.

El estudio no afirma haber encontrado materia oscura, ya que es una proyección basada en simulaciones y una sección específica de datos pasados, no una nueva observación de un descubrimiento real. Sin embargo, demuestra que el uso de modelos de aprendizaje automático avanzados y flexibles en datos de chorros complejos puede mejorar significamente la capacidad de búsqueda de estas partículas elusivas. Al alejarse de las fórmulas rígidas y permitir que los datos enseñen al modelo cómo es lo normal, los investigadores demostraron que el canal hadrónico, que antes se consideraba demasiado ruidoso para ser útil, posee una promesa sustancial. El trabajo destaca que los detalles sutiles de cómo se dispersan las partículas y los restos adicionales que dejan tras de sí son clave para desbloquear los secretos del universo invisible, ofreciendo un camino más claro hacia futuras búsquedas en la frontera de la alta energía de la física.

Resumen Técnico de la Investigación: Sensibilidad de Materia Oscura Mono-Z Hadrónica con Flow Matching en Datos Abiertos de CMS

Planteamiento del Problema

El artículo aborda el desafío de detectar Materia Oscura (DM) en el canal mono-Z hadrónico ( $pp \to Z(\to q\bar{q}) + \text{DM}$ ) utilizando datos abiertos de CMS Run 2015D. Mientras que el canal mono-Z leptónico ofrece una firma limpia, el canal hadrónico se beneficia de una fracción de ramificación significativamente mayor ( $Z \to q\bar{q}$ ), pero sufre un fondo de multijets complejo y de alta multiplicidad.

Un trabajo previo de los autores sobre el canal leptónico utilizando Neural Spline Flows (NSFs) estuvo limitado por discrepancias residuales en el modelado del fondo en la cola de alto momento transversal faltante ( $E^{\text{miss}}_T$ ), lo que infló los ratios de límite y evitó una interpretación limpia de la intensidad de la señal. El presente estudio tiene como objetivo extender este programa al canal hadrónico, introduciendo simultáneamente una estrategia de modelado de densidad fundamentalmente diferente para superar estas limitaciones y manejar mejor la compleja topología cinemática de los jets adicionales.

Metodología

1. Datos y Generación de Señal

Conjunto de Datos: El análisis utiliza el conjunto de datos abierto CMS Run 2015D HTMHT MINIAOD, que corresponde a una luminosidad integrada de $2.25382381 \text{ fb}^{-1}$ . De 20,6 millones de eventos brutos, 1.439.523 eventos satisfacen la selección de mono-Z hadrónico (eficiencia $\approx 6.96\%$ ).
Selección: Los eventos requieren al menos dos jets ( $p_T > 30 \text{ GeV}$ , $|\eta| < 2.4$ ) que formen un candidato $Z$ ( $70 < m_{jj} < 110 \text{ GeV}$ , $\Delta R_{jj} < 2.0$ ) y un veto de b-tag en los jets adicionales.
Señal: Las señales de DM se generan utilizando el modelo simplificado de espín-1 DMsimp (mediador s-channel) con MadGraph5_aMC@NLO, Pythia8 y simulación rápida Delphes. Se retienen tres escenarios de referencia (benchmarks): dos axiales ( $m_\chi, m_{med} = (10, 20)$ y $(50, 200)$ GeV) y uno vectorial ( $m_\chi, m_{med} = (1, 500)$ GeV).

2. Modelado de la Densidad del Fondo: Conditional Flow Matching
En lugar de los Neural Spline Flows (NSFs) de forma cerrada utilizados en el predecesor leptónico, este estudio emplea un Conditional Flow-Matching Continuous Normalizing Flow (CFM-CNF).

Arquitectura: El modelo define la densidad del fondo implícitamente a través de un campo vectorial dependiente del tiempo aprendido e integrado a lo largo de una ODE de flujo de probabilidad. La densidad se obtiene mediante la traza de la divergencia usando el estimador estocástico de Hutchinson.
Objetivo de Entrenamiento: El modelo se entrena con un objetivo de conditional flow-matching libre de simulación, regresando el campo vectorial hacia la velocidad de una trayectoria de probabilidad de línea recta entre una muestra de ruido Gaussiano y un punto de datos. Esto evita las restricciones arquitectónicas de las capas de acoplamiento invertibles.
Manejo de Características (Features):
- Imputación de Centinelas (Sentinel Imputation): Para abordar las características angulares no definidas cuando no existe un jet adicional (por ejemplo, $\Delta\phi(E^{\text{miss}}_T, \text{jet})$ ), los autores mapean estos valores a un valor centinela explícito fuera de rango ($-999$), en lugar de imputarlos en el continuo físico. Esto evita la creación de masas puntuales espurias.
- Conjunto de Características: Se utiliza un esquema de 32 características, que incluye observables cinemáticos, angulares y de retroceso. Se incluyen seis características cinemáticas de jets adicionales en el modelo base, pero se eliminan en un estudio de ablación.

3. Marco Estadístico

Discriminante: El log-verosimilitud negativa (NLL) por evento de la densidad del fondo sirve como discriminante.
Puntuación de Validación (Held-Out Scoring): Para evitar el sesgo de puntuación intra-muestra, el modelo de fondo se entrena con el 80% de los datos y se puntúa solo en un 20% de división de validación reservada. Estos eventos puntuados se reponderan para estimar el rendimiento para la población seleccionada completa.
Cálculo de Significancia: La significancia esperada ( $Z_A$ ) se calcula utilizando la fórmula de conteo de Asimov. El punto de trabajo (working point) se selecciona mediante el escaneo de umbrales de NLL, restringido por un rendimiento de fondo mínimo de $B \ge 20$ eventos para evitar el sesgo de búsqueda múltiple (look-elsewhere bias) y la optimización inestable en fluctuaciones raras de la cola.
Proxy de Trigger: Dado que Delphes no emula el CMS High-Level Trigger (HLT), se aplica un proxy de trigger offline ( $H_T > 350 \text{ GeV}$ O $E^{\text{miss}}_T > 120 \text{ GeV}$ O ...) a las señales simuladas antes de la puntuación.

Contribuciones Clave

Cambio Metodológico: El artículo transiciona de NSFs de forma cerrada a CNFs de flow-matching continuo para el modelado del fondo en un canal hadrónico. Esto permite un modelo de densidad de tiempo continuo más flexible entrenado con un objetivo libre de simulación, evitando las restricciones arquitectónicas de las capas invertibles.
Estrategia de Imputación de Centinelas: Los autores introducen un manejo específico para las características no definidas en eventos con pocos jets, preservándolas como valores centinela explícitos. Esto evita la fabricación de masas puntuales espurias en el continuo físico, un artefacto conocido en métodos de imputación previos.
Ablación de la Topología de Jets Adicionales: Un estudio de ablación sistemático demuestra que las cinemáticas detalladas de los jets adicionales (más allá de la simple multiplicidad de jets) aportan un poder de discriminación sustancial, reduciendo la significancia esperada entre un 53% y un 71% cuando se eliminan.
Protocolo Estadístico Robusto: El estudio implementa un protocolo riguroso que involucra puntuación de validación reservada, reponderación de la población y un suelo de punto de trabajo de $B \ge 20$ para asegurar sensibilidades proyectadas estables y sin sesgos.

Resultados

Bajo el procedimiento base (32 características, imputación de centinelas, restricción $B \ge 20$ ), el análisis arroja las siguientes significancias esperadas proyectadas para los tres escenarios de modelos simplificados:

Axial $(10, 20)$ GeV: $2.89\sigma$
Axial $(50, 200)$ GeV: $7.62\sigma$
Vectorial $(1, 500)$ GeV: $7.41\sigma$

Los escenarios más pesados alcanzan una sensibilidad de nivel de descubrimiento ( $>5\sigma$ ), mientras que el punto axial ligero muestra una sensibilidad moderada.

Estudio de Ablación:
Cuando se eliminan las seis características cinemáticas detalladas de los jets adicionales (reduciendo la dimensión de características a 26):

La significancia para el benchmark axial ligero cae drásticamente de $2.89\sigma$ a $0.83\sigma$ .
Los benchmarks más pesados caen un 63.5% y un 53.5%, respectivamente.
Esto indica que la separación señal-fondo depende fuertmente de la topología de los jets adicionales (probablemente radiación de estado inicial), no solo de la cinemática central de mono-Z.

Significancia y Reivindicaciones

El artículo afirma que este trabajo representa una extensión metodológica significativa de su estudio previo de mono-Z leptónico. Al moverse al canal hadrónico, aprovechan la mayor fracción de ramificación de $Z \to q\bar{q}$ , pero deben lidiar con un fondo más complejo, el cual el modelo CFM-CNF está diseñado para manejar.

Los autores enfatizan que el cambio a un discriminante de densidad de fondo único (en lugar de un ratio de verosimilitud de dos hipótesis) y el uso de una división de validación reservada evita los residuales de modelado de la cola de alto $E^{\text{miss}}_T$ que afectaron al análisis leptónico anterior.

Modestia y Limitaciones:
Los autores declaran explícitamente que estas son sensibilidades proyectadas, no resultados observados. No se realizó ningún desenmascaramiento (unblinding) de una región de señal. Reconocen algunas limitaciones:

Proxy de Trigger: El proxy de trigger offline es probablemente una sobreestimación de la aceptación real, particularmente para los benchmarks más ligeros.
Sistemáticas: No se incluyen incertidumbres sistemáticas (por ejemplo, de la elección del modelo de densidad o del solver de la ODE); solo se propaga la incertidumbre estadística de Poisson.
Brechas de Simulación: La simulación de Delphes carece de superposición de pileup y utiliza un b-tagging simplificado, lo que requiere la exclusión de ciertas características.
Limitación Estructural: Los flujos normalizantes continuos no pueden representar perfectamente mezclas discretas más continuas (por ejemplo, el pico de $p_T=0$ para la ausencia de jets adicionales), aunque el arreglo del centinela mitiga los problemas de las características angulares.

En conclusión, el estudio demuestra que las técnicas de flow-matching combinadas con una ingeniería de características cuidadosa (imputación de centinelas) y controles estadísticos rigurosos pueden proporcionar sensibilidades proyectadas robustas para búsquedas complejas de materia oscura hadrónica utilizando datos abiertos.