Model-independent measurement of the Higgs boson associated production with two jets and decaying to a pair of W bosons in proton-proton collisions at $\sqrt{s}$ = 13 TeV

Cette étude présente une mesure indépendante du modèle de la section efficace différentielle de production du boson de Higgs associé à deux jets et se désintégrant en une paire de bosons W, basée sur des données de collisions proton-proton à 13 TeV collectées par le détecteur CMS, afin de contraindre les couplages du boson de Higgs dans le cadre de la théorie effective des champs du modèle standard.

L'essentiel

🕵️‍♂️ L'Enquête du Higgs : Chasse aux fantômes dans la tempête de particules

Imaginez que le Higgs (la particule de Dieu) est un acteur célèbre qui vient de sortir d'un film. Les physiciens du CERN (le laboratoire européen) veulent savoir exactement comment il a joué son rôle. Est-ce qu'il a respecté le scénario original (le Modèle Standard) ou est-ce qu'il a improvisé des scènes bizarres (de la "Nouvelle Physique") ?

Ce papier raconte l'histoire d'une enquête menée par l'équipe CMS (un détecteur géant comme un œil de robot) pour observer le Higgs dans une situation très spécifique : quand il se transforme en deux particules appelées bosons W, qui elles-mêmes se transforment en un électron, un muon et de l'énergie manquante (des neutrinos, des fantômes invisibles), le tout accompagné de deux jets (deux jets de particules comme des débris de collision).

1. Le Défi : Trouver l'aiguille dans la botte de foin

Le problème, c'est que le Higgs est très rare. Dans la tempête de milliards de collisions de protons qui se produisent chaque seconde, il y a des tas de "bruit" (d'autres processus qui ressemblent au Higgs mais ne le sont pas).

• L'analogie : Imaginez essayer d'entendre un chuchotement spécifique (le Higgs) dans un stade de football rempli de gens qui crient (le bruit de fond).

Pour isoler ce chuchotement, les chercheurs ont utilisé une astuce géniale : ils ont regardé la position des deux jets (les débris) par rapport au Higgs. Plus précisément, ils ont mesuré l'angle entre ces deux jets. C'est comme si, pour savoir si l'acteur a improvisé, on regardait la façon dont il se tenait par rapport à ses partenaires de scène.

2. La Révolution : L'Intelligence Artificielle "Aveugle"

C'est ici que le papier devient vraiment innovant. D'habitude, pour trier les données, on utilise des algorithmes entraînés avec une idée précise de ce qu'on cherche (par exemple : "Si le Higgs fait ceci, alors c'est un Higgs"). Mais si le Higgs fait quelque chose de totalement nouveau, l'algorithme pourrait le rater ou le mal interpréter.

La solution de l'équipe CMS : Ils ont créé une Intelligence Artificielle (IA) "agnostique" (qui ne fait pas de suppositions).

• L'analogie : Imaginez un détective qui ne connaît pas le suspect. Au lieu de chercher "un homme avec un chapeau rouge" (ce qui le ferait rater un suspect en chapeau bleu), le détective apprend à repérer les comportements suspects, peu importe à quoi ressemble le suspect.
• Cette IA (un réseau de neurones adversarial) a été entraînée pour distinguer le signal du bruit, tout en étant "punie" si elle apprenait à reconnaître un modèle de Higgs trop spécifique. Résultat ? Elle est capable de dire "C'est un événement spécial" sans savoir exactement quel type de spécialité c'est. Cela rend la mesure indépendante du modèle : on ne triche pas en prédisant la réponse.

3. La Méthode : Un jeu de "Vrai/Faux" géant

Les chercheurs ont pris les données de 2016 à 2018 (138 milliards de collisions !).

1. Filtrage : Ils ont gardé seulement les événements avec un électron, un muon et deux jets.
2. Tri : Ils ont utilisé leur IA pour séparer les "vrais" Higgs des "faux" (le bruit de fond).
3. Mesure : Ils ont compté combien de Higgs ils ont trouvés pour chaque angle possible entre les deux jets.

4. Les Résultats : Le Higgs est (pour l'instant) un bon élève

Après avoir analysé tout cela, les chercheurs ont comparé leurs mesures avec les prédictions de la physique standard.

• Le verdict : Les données correspondent très bien à ce que le Modèle Standard prédit. Le Higgs se comporte comme prévu.
• La nuance : Il y a une petite mesure d'asymétrie (un déséquilibre dans les angles) qui est intéressante, mais elle n'est pas encore assez forte pour dire "C'est une nouvelle physique". C'est comme une ombre qui pourrait être un fantôme, mais qui pourrait aussi être juste un meuble. Il faut plus de données pour être sûr.

5. Pourquoi c'est important ? (Le cadre théorique)

Même si le Higgs semble "normal", les chercheurs utilisent ces mesures pour poser des limites très strictes sur ce qui pourrait se cacher derrière.

• L'analogie : C'est comme si vous cherchiez un intrus dans une maison. Vous ne le voyez pas, mais vous mesurez la température, le bruit et la lumière. Si tout est parfait, vous savez que l'intrus n'est pas là, ou alors qu'il est si petit qu'il ne peut pas bouger sans faire de bruit.
• Ils ont utilisé ces mesures pour contraindre des théories complexes (la Théorie des Champs Effectifs) qui prédisent des interactions étranges. Les résultats disent : "Si ces interactions étranges existent, elles sont plus faibles que ce que nous pouvons mesurer."

En résumé

Ce papier est une prouesse technique. Les physiciens ont réussi à mesurer le comportement du Higgs avec une précision incroyable, en utilisant une IA intelligente qui ne porte pas de lunettes teintées (elle ne suppose pas ce qu'elle va trouver).

Le message clé : Pour l'instant, le Higgs respecte le script du Modèle Standard. Mais grâce à cette méthode ultra-précise, nous avons maintenant une "règle" très fine pour détecter n'importe quelle future anomalie. Si le Higgs décide un jour de faire une pirouette inattendue, cette équipe sera prête à le voir !

Résumé technique

1. Problématique et Contexte

Depuis la découverte du boson de Higgs en 2012, l'objectif principal est de mesurer avec une précision extrême ses propriétés et ses couplages. Bien que les données soient compatibles avec le Modèle Standard (MS), des écarts subtils pourraient révéler une nouvelle physique (BSM - Beyond the Standard Model).

• Le défi : Les couplages du boson de Higgs aux bosons de jauge ($HVV$) pourraient être modifiés par des couplages anormaux (AC), notamment des termes violant la parité (CP). Ces modifications affectent les distributions cinématiques des particules finales.
• L'observable clé : Dans les processus de fusion de bosons vectoriels (VBF) et de fusion de gluons (ggH) avec rayonnement initial (ISR), l'angle azimutal signé entre les deux jets de recul ($\Delta\Phi_{jj}$) est une sonde sensible. Sa distribution varie selon la nature CP du couplage (suppression à 0 ou $\pi$ pour les termes CP-impairs, à $\pm\pi/2$ pour les CP-pairs, et plate pour le MS).
• La limitation des analyses précédentes : La plupart des mesures dépendent de modèles spécifiques pour l'extraction du signal, ce qui introduit des biais si l'on réinterprète les résultats sous des hypothèses BSM différentes.

2. Méthodologie et Approche Expérimentale

Données et Sélection d'événements :

• Données : Analyse des collisions proton-proton à $\sqrt{s} = 13$ TeV collectées par le détecteur CMS entre 2016 et 2018, correspondant à une luminosité intégrée de 138 fb⁻¹.
• Canal de désintégration : $H \to WW^* \to e\mu + \nu\nu$ (état final à deux leptons de saveurs différentes, électron et muon, avec impulsion transverse manquante).
• Sélection : Exigence de deux leptons ($e\mu$) de charges opposées, de deux jets ($p_T > 30$ GeV, $m_{jj} > 120$ GeV), et de critères cinématiques pour supprimer les bruits de fond (masse transverse $m_T$, masse transverse du lepton subleading $m_{\ell2}^T$).
• Régions d'analyse : Une région de signal (SR) et deux régions de contrôle (CR) pour les quarks top ($t\bar{t}$) et le processus Drell-Yan ($DY \to \tau\tau$).

Innovation Majeure : Classification "Agnostique" (Model-Independent)
Pour maximiser l'indépendance du modèle, l'analyse n'utilise pas de variables de fit basées sur des hypothèses de signal spécifiques.

• Réseaux de Neurones Adversariaux (ADNN) : Deux réseaux distincts ont été entraînés (un pour VBF, un pour ggH) en utilisant une approche d'apprentissage adversaire.
  • Un classifieur (C) distingue le signal du bruit de fond.
  • Un adversaire (A) tente de deviner l'hypothèse physique sous-jacente (type de couplage) à partir des sorties du classifieur.
  • Le classifieur est pénalisé si l'adversaire réussit à identifier le modèle. Cela force le classifieur à apprendre des caractéristiques agnostiques aux couplages spécifiques, rendant la forme de la distribution du score stable quel que soit le modèle BSM considéré.
• Variables de fit : Les scores des ADNN ($D_{VBF}$ et $D_{ggH}$) sont utilisés comme variables de fit dans une vraisemblance maximale conjointe.

Extraction et Déconvolution :

• Une procédure de déconvolution (unfolding) est intégrée directement dans le fit pour corriger les effets du détecteur et fournir des sections efficaces différentielles au niveau du générateur (fiduciel).
• Trois configurations de fit sont testées :
  1. Mesure combinée VBF + ggH.
  2. Mesure simultanée et indépendante de VBF et ggH.
  3. Mesure de VBF en fixant ggH au MS (pour contraindre plus strictement les couplages VBF).

3. Contributions Clés

1. Première mesure différentielle modèle-indépendante : C'est la première mesure de la section efficace différentielle de production du Higgs en association avec deux jets, en fonction de $\Delta\Phi_{jj}$, utilisant une méthode d'extraction de signal agnostique vis-à-vis des hypothèses de couplage.
2. Application de l'Adversarial Learning en physique des hautes énergies : Démonstration réussie de l'utilisation de réseaux adversariaux pour réduire les biais de modélisation dans l'extraction de signaux rares, permettant une réinterprétation robuste dans le cadre de la Théorie des Champs Effectifs (EFT).
3. Contraintes EFT précises : Utilisation des mesures différentielles pour contraindre les coefficients de Wilson dans la base de Varsovie (SMEFT), en particulier pour les opérateurs affectant les vertices $HVV$ et $Hgg$.

4. Résultats Principaux

• Sections Efficaces Différentielles :

  • Les sections efficaces sont mesurées dans quatre bins de $\Delta\Phi_{jj}$ ($-\pi$ à $\pi$).
  • Les résultats sont compatibles avec les prédictions du Modèle Standard (MS).
  • L'incertitude statistique reste dominante, mais la méthode permet d'obtenir des contraintes significatives malgré le faible taux de signal.
  • Une asymétrie dans la distribution $\Delta\Phi_{jj}$ est mesurée : $A = -0.43 \pm 0.27$ (totale), compatible avec la prédiction du MS ($A=0$) avec une valeur p de 11 %.

• Contraintes sur les Coefficients de Wilson (SMEFT) :

  • Les résultats sont réinterprétés pour contraindre les opérateurs dimension-6.
  • Meilleures contraintes obtenues :
    • Pour la production VBF : Coefficients CP-pairs $c_{HW}$ et $c_{Hj3}$.
    • Pour la production ggH : Coefficient CP-pair $c_{HG}$.
  • Tous les coefficients mesurés sont compatibles avec zéro (hypothèse du MS) au niveau de confiance de 95 % (sauf une légère déviation de 2 écarts-types pour $c_{H\tilde{B}}$ qui reste compatible avec les fluctuations statistiques).
  • L'approche agnostique réduit la dépendance au modèle de 30 à 70 % par rapport aux méthodes traditionnelles.

5. Signification et Impact

Cette étude représente une avancée méthodologique majeure pour la physique du Higgs au LHC :

• Robustesse des tests de nouvelle physique : En éliminant la dépendance aux hypothèses de signal lors de l'extraction, l'analyse évite les biais qui pourraient masquer ou simuler des signes de nouvelle physique lors de réinterprétations futures.
• Validation de l'EFT : Les contraintes obtenues sur les coefficients de Wilson sont parmi les plus strictes à ce jour pour ce canal spécifique, renforçant la validité du Modèle Standard tout en posant des limites rigoureuses sur les déviations possibles.
• Futur des analyses CMS : La démonstration de l'efficacité des réseaux adversariaux ouvre la voie à des analyses encore plus complexes et indépendantes des modèles pour le Run 3 et le HL-LHC (High-Luminosity LHC).

En résumé, ce travail fournit une carte précise et robuste de la production du boson de Higgs via VBF et ggH, confirmant les prédictions du Modèle Standard tout en établissant un nouveau standard pour la recherche de physique au-delà du Modèle Standard grâce à des techniques d'apprentissage automatique avancées.