Search for Beyond the Standard Model physics with anomaly detection in multilepton final states in $pp$ collisions at $\sqrt{s}=13$ TeV with the ATLAS detector

L'expérience ATLAS a présenté une recherche sans hypothèse préalable de nouvelle physique au-delà du Modèle Standard dans les états finals à quatre leptons légers issus de collisions proton-proton à 13 TeV, utilisant l'apprentissage automatique non supervisé sur les données du Run 2 pour établir de nouvelles limites d'exclusion, notamment pour le premier modèle de leptons vectoriels savoureux.

L'essentiel

🕵️‍♂️ L'Enquête : Chasser l'Inconnu dans une Foule de 140 Billions de Collisions

Imaginez que vous êtes un détective dans une ville immense (le Grand Collisionneur de Hadrons ou LHC) où des milliards de voitures (les protons) se percutent chaque seconde. La plupart du temps, ces accidents suivent des règles très précises et prévisibles : c'est la Loi Standard (le Modèle Standard), la "règle du jeu" que nous connaissons déjà.

Mais les détectives savent qu'il doit y avoir des criminels cachés, des événements bizarres qui ne respectent pas les règles. Le problème ? Ils sont si rares et se cachent si bien parmi des milliards d'accidents normaux qu'il est impossible de les repérer en cherchant un "type" précis (par exemple : "cherchez un voleur avec un chapeau rouge"). Si vous cherchez un chapeau rouge, vous manquerez le voleur qui porte un bonnet bleu.

🧠 La Solution : Le Détecteur de "Bizarres" (Apprentissage Non Supervisé)

Au lieu de chercher un suspect précis, l'équipe ATLAS a décidé d'utiliser une intelligence artificielle (une sorte de super-détective) capable de repérer n'importe quoi de bizarre, sans savoir à l'avance à quoi cela ressemble.

C'est ce qu'on appelle la détection d'anomalies.

1. L'Entraînement : On montre à l'IA des millions d'accidents "normaux" (ce que la physique prédit). L'IA apprend par cœur à quoi ressemble la "normalité".
2. L'Inspection : Ensuite, on lui fait regarder les nouvelles collisions. Si elle voit quelque chose qui ne correspond pas à ce qu'elle a appris (une "anomalie"), elle sonne l'alarme.
3. Le Filtre : Cette fois-ci, ils ont regardé des collisions très spécifiques : celles qui produisent au moins 4 particules légères (des électrons ou des muons, qu'on pourrait appeler des "étincelles" de lumière). C'est un canal très rare, donc si on y trouve quelque chose d'anormal, c'est probablement très important.

🔍 La Méthode : Le Tri par "Topologie"

Pour ne pas se perdre, les détectives ont divisé la foule en plusieurs catégories, comme on trierait des vêtements :

• Les groupes de 4 étincelles (parfois avec une charge électrique totale de zéro, parfois de +2 ou -2).
• Les groupes de 5 étincelles ou plus.

Pour chaque groupe, l'IA calcule un "Score d'Anomalie".

• Un score de 0 signifie : "C'est tout à fait normal, rien à voir."
• Un score de 1 signifie : "C'est extrêmement bizarre, ça ne ressemble à rien de connu !"

📉 Les Résultats : Silence Radio (pour l'instant)

Après avoir analysé 140 milliards de collisions (une montagne de données !), le verdict est tombé :

• Aucun signal suspect n'a été trouvé.
• Tout ce que l'IA a vu correspondait parfaitement aux prédictions de la "Loi Standard". Il n'y avait pas de "chapeau rouge" ni de "bonnet bleu" cachés dans les zones les plus étranges.

C'est une nouvelle importante, même si elle semble décevante. En science, dire "rien de nouveau ici" est aussi précieux que de trouver un trésor, car cela nous dit : "La théorie actuelle est solide, mais il faut chercher ailleurs ou avec des outils encore plus puissants."

🎯 Mais attendez... On a quand même testé des théories !

Même si l'IA n'a rien trouvé de spontané, les physiciens ont utilisé leurs données pour tester des théories spécifiques, comme si on disait : "Si les 'Voleurs Vectoriels' (des particules hypothétiques) existaient, les aurions-nous vus ?"

• Les Leptons Vectoriels : Des particules lourdes et exotiques. Résultat : On les exclut jusqu'à une certaine masse. Si elles existent, elles sont plus lourdes que ce qu'on peut produire ici.
• La Supersymétrie (SUSY) : Une théorie très populaire qui prédit des "particules sœurs" pour chaque particule connue. Résultat : On a exclu certaines versions de ces particules (comme les "smuons").

La grande nouveauté : C'est la première fois que l'on teste un modèle très spécifique appelé "Leptons Vectoriels Gourmands" (Flavourful VLL). L'IA a prouvé qu'elle était capable de repérer ce type de phénomène si il existait.

🏁 Conclusion : La Chasse Continue

En résumé, cette expérience est comme une chasse aux fantômes dans une maison remplie de meubles.

• On a utilisé un détecteur de mouvement ultra-sensible (l'IA).
• On a fouillé chaque coin de la maison (les différentes combinaisons de particules).
• Résultat : Pas de fantôme. La maison est vide.

Cela signifie que la physique telle que nous la connaissons tient toujours la route. Mais cela signifie aussi que les "nouveaux mondes" (la matière noire, l'énergie sombre, etc.) sont soit très cachés, soit très différents de ce qu'on imaginait. Les physiciens vont donc continuer à affiner leurs détecteurs et à chercher de nouvelles façons de voir l'invisible.

Le mot de la fin : Pas de panique, pas de révolution immédiate, mais une confirmation que notre compréhension de l'univers est solide, et une invitation à continuer d'explorer l'inconnu avec des outils de plus en plus intelligents.

Résumé technique

1. Problématique et Contexte

Le Modèle Standard (MS) de la physique des particules, bien que très performant, reste incomplet car il n'explique pas des phénomènes tels que la matière noire, l'asymétrie baryonique ou la hiérarchie des masses. Les recherches traditionnelles de physique au-delà du Modèle Standard (BSM) se concentrent souvent sur des modèles spécifiques, ce qui risque de manquer des signatures inattendues.

L'objectif de cette étude est de réaliser une recherche agnostique de modèle (model-agnostic) de nouvelle physique dans les états finals comportant au moins quatre leptons légers (électrons ou muons). Ces canaux sont particulièrement intéressants car ils présentent un bruit de fond du Modèle Standard relativement faible, offrant une fenêtre de détection propice à des phénomènes rares. La particularité de ce travail réside dans l'utilisation de techniques d'apprentissage non supervisé (anomaly detection) pour identifier des événements anormaux sans hypothèse préalable sur la nature du signal BSM.

2. Méthodologie

Données et Simulation

• Données : L'analyse utilise l'intégralité des données de la période Run 2 du LHC (2015-2018) enregistrées par le détecteur ATLAS, correspondant à une luminosité intégrée de 140 fb⁻¹ à une énergie de collision de 13 TeV.
• Simulation : Des échantillons de Monte Carlo (MC) sont générés pour les processus de bruit de fond (principalement $ZZ$, $t\bar{t}Z$, $VVV$, et les leptons non prompts issus de désintégrations hadroniques) et pour divers modèles de signal de référence (VLL, SUSY).

Reconstruction et Sélection

• Les événements sont sélectionnés s'ils contiennent au moins 4 leptons légers ($e, \mu$).
• Les événements sont divisés en trois catégories orthogonales basées sur la charge totale et le nombre de leptons :
  1. $4\ell$ avec charge totale nulle ($Q=0$).
  2. $4\ell$ avec charge totale $\pm 2$ ($Q=\pm 2$).
  3. $\ge 5\ell$.
• Des régions de contrôle (CR) sont définies pour contraindre les normalisations des bruits de fond dominants (ex: $WZ/t\bar{t}Z$, conversions de photons, leptons non prompts).

Détection d'Anomalies (Anomaly Detection - AD)

C'est le cœur de la méthodologie :

• Technique : Utilisation de Flux de Normalisation (Normalizing Flows), un modèle d'apprentissage machine non supervisé (basé sur des réseaux de flux réversibles, ici RealNVP).
• Principe : Le modèle est entraîné uniquement sur les données de simulation du bruit de fond du MS pour apprendre la distribution de probabilité $p(x)$ dans un espace de caractéristiques de haute dimension.
• Variables d'entrée : Des variables cinématiques à haut niveau sont utilisées (ex: $H_T^{lep}$, $E_T^{miss}$, masses invariantes, multiplicité de jets, scores de $b$-tagging pseudo-continus).
• Score d'anomalie : Pour chaque événement, un score est calculé : $s(x) = \frac{\log p(x) - \log p_{min}}{\log p_{max} - \log p_{min}}$. Les événements avec un score élevé (faible probabilité sous l'hypothèse du MS) sont considérés comme des anomalies potentielles.
• Stratégies d'analyse :
  • Recherche indépendante du modèle : Les régions de découverte sont définies par des coupures sur le score d'anomalie (ex: rejet de 90%, 99%, 99,9% du bruit de fond). Une recherche de dépassement statistique est effectuée bin par bin.
  • Recherche dépendante du modèle : Le score d'anomalie est utilisé dans un ajustement simultané (fit) sur toutes les régions de benchmark pour tester la sensibilité à des modèles spécifiques.

3. Contributions Clés

• Première application en leptons multiples : Il s'agit de la première recherche utilisant la détection d'anomalies dans les états finals à multiplicité de leptons élevés (multilepton) au LHC. Auparavant, ces techniques étaient principalement appliquées aux jets.
• Approche agnostique et ciblée : L'analyse combine une recherche de découverte sans hypothèse de modèle avec une interprétation dépendante du modèle pour valider la sensibilité de la méthode.
• Modèles de référence : L'étude teste des scénarios BSM spécifiques, notamment :
  • Les leptons vectoriels (VLL) : modèles singlets et doublets $SU(2)$, ainsi que des modèles « savoureux » (flavourful) avec un scalaire complexe.
  • La Supersymétrie (SUSY) : production de charginos/neutralinos de type wino et de smuons dans un scénario de violation de la parité R (RPV).

4. Résultats

• Observation : Aucune déviation significative par rapport aux prédictions du Modèle Standard n'a été observée.
  • La plus grande excès localisé correspond à une signification de $2\sigma$ dans les régions $Q=\pm 2$ et $0Z$ (2SFOS), mais la signification globale (incluant l'effet "look-elsewhere") est de 0,90$\sigma$.
  • Les données sont compatibles avec le bruit de fond attendu.
• Limites d'exclusion (Modèle Indépendant) : Des limites sur la section efficace visible exclue ($\sigma_{vis}$) sont établies pour chaque région de découverte, offrant des contraintes réutilisables pour de futurs modèles.
• Limites d'exclusion (Modèle Dépendant) :
  • Leptons Vectoriels (VLL) : Des limites sont posées sur les masses des VLL. Par exemple, les VLL de type doublet $VLL^D_e$ sont exclus jusqu'à 925 GeV (observé) et les $VLL^D_\mu$ jusqu'à 850 GeV.
  • Modèles « Savoureux » (Flavourful VLL) : Pour la première fois, des limites sont établies sur les modèles de leptons vectoriels savoureux. Les masses des VLL sont exclues jusqu'à 1300 GeV (pour $VLL_e$) et 1280 GeV (pour $VLL_\mu$).
  • SUSY :
    • Les charginos de type wino sont exclus jusqu'à 1600 GeV.
    • Les smuons sont exclus jusqu'à 495 GeV (pour des écarts de masse $\Delta m > 140$ GeV), surpassant la sensibilité des analyses dédiées existantes dans certaines parties de l'espace des phases.

5. Signification et Conclusion

Cette étude démontre la viabilité et l'efficacité de l'utilisation de l'apprentissage machine non supervisé (flux de normalisation) pour la recherche de nouvelle physique dans des canaux complexes à faible bruit de fond.

• Innovation méthodologique : La réussite de cette approche dans les états multileptons ouvre la voie à son application dans d'autres canaux de l'expérience ATLAS et du LHC, permettant de sonder des signaux BSM qui pourraient échapper aux recherches traditionnelles basées sur des coupures manuelles.
• Résultats physiques : Bien qu'aucune nouvelle particule n'ait été découverte, les limites d'exclusion établies, en particulier pour les modèles de leptons vectoriels savoureux (une première mondiale), contraignent fortement les théories BSM.
• Robustesse : La sensibilité est dominée par les incertitudes statistiques (due à la faible statistique des événements à haute multiplicité de leptons) plutôt que par les incertitudes systématiques, ce qui valide la rigueur de l'estimation du bruit de fond.

En résumé, ce travail marque une étape importante dans l'intégration de l'intelligence artificielle avancée dans les analyses de physique des hautes énergies, offrant un outil puissant pour explorer l'inconnu au-delà du Modèle Standard.