Enhanced sensitivity to the $H \to Z\gamma \to \ell^+\ell^-\gamma$ decay at the LHC using machine learning and novel kinematic observables

Cette étude améliore la sensibilité à la désintégration $H \to Z\gamma \to \ell^+\ell^-\gamma$ au LHC en combinant des observables cinématiques corrélés dérivés du plan $(P_{\mathrm{Higgs}}, \theta_{Z\gamma})$ avec un classificateur XGBoost pour supprimer efficacement le fond Drell-Yan.

L'essentiel

Le Grand Défi : Trouver une aiguille dans une botte de foin (mais une botte de foin qui bouge)

Imaginez que vous êtes un détective dans un immense stade rempli de millions de personnes (c'est le Grand Collisionneur de Hadrons ou LHC). Votre mission est de trouver une personne très spécifique : un magicien qui porte un manteau violet et qui lance un éclair (c'est le boson de Higgs se transformant en un Z et un photon, noté H → Zγ).

Le problème ? Dans ce stade, il y a des milliards de gens qui portent des manteaux bleus et qui lancent des confettis (c'est le bruit de fond, ou processus Drell-Yan). De plus, certains de ces gens en manteaux bleus essaient de se déguiser en magiciens en lançant un seul confetti brillant. Ils ressemblent tellement à votre cible que c'est presque impossible de les distinguer à l'œil nu.

C'est là que cette équipe de chercheurs (Manisha Kumari et Amal Sarkar) intervient. Ils ont dit : "Arrêtons de chercher juste la couleur du manteau. Regardons comment les gens se déplacent et comment ils interagissent entre eux."

L'Idée Géniale : La Danse des Particules

Les chercheurs ont remarqué quelque chose de fascinant sur la façon dont les particules se comportent :

1. Le Magicien (Le Signal) : Quand le boson de Higgs se désintègre, c'est comme un danseur qui fait une pirouette parfaite. Ses deux "enfants" (le Z et le photon) partent dans des directions très précises et coordonnées, comme s'ils étaient liés par un fil invisible. Plus le danseur va vite, plus ses enfants sont collés l'un à l'autre. C'est une danse chorégraphiée.
2. Les Imitateurs (Le Bruit de Fond) : Les faux magiciens (le bruit de fond) sont désordonnés. Leurs confettis partent dans tous les sens, sans coordination. C'est une fête foraine chaotique.

L'équipe a créé un nouvel outil pour mesurer cette "danse". Ils ont inventé une sorte de règle de géométrie qui combine deux choses :

• L'angle entre les deux particules (combien elles sont écartées).
• La vitesse à laquelle elles voyagent ensemble.

Ils ont appelé cela l'observateur $\log(\theta_{Z\gamma} \times P_{Higgs})$. En termes simples, c'est une formule magique qui dit : "Si tu es un vrai magicien, tu dois suivre cette courbe précise. Si tu es un imposteur, tu vas être hors de la courbe."

L'Outil du Détective : Le Robot Apprenti (Machine Learning)

Pour utiliser cette idée, ils ont entraîné un robot très intelligent (un algorithme appelé XGBoost, une sorte de "forêt de décisions" numérique).

• Le Robot Basique : Au début, on a donné au robot une liste de règles classiques (vitesse, angle, etc.). Il était correct, mais il se trompait souvent.
• Le Robot Amélioré : Ensuite, on lui a donné la nouvelle règle de danse (la corrélation angle-vitesse). Soudain, le robot est devenu un expert. Il a commencé à voir des différences invisibles pour les autres.

Le résultat ? Le robot a réussi à rejeter beaucoup plus de faux magiciens tout en gardant presque tous les vrais. C'est comme si on avait ajouté une loupe à ses yeux : la précision a augmenté de manière significative.

La Stratégie de Nettoyage : Le Filtre Intelligent

En plus du robot, ils ont créé une stratégie manuelle pour nettoyer les données. Imaginez que vous avez un tamis pour séparer le sable des cailloux.

• Ils ont regardé la carte de la "danse" (le plan angle-vitesse).
• Ils ont vu que les imposteurs (bruit de fond) s'accumulaient dans certaines zones précises de cette carte.
• Ils ont donc décidé de couper ces zones du tamis.

Résultat : Ils ont réussi à éliminer environ 70 % des imposteurs (le bruit de fond) tout en ne perdant que très peu de vrais magiciens (le signal). C'est comme si vous enleviez la moitié de la foule du stade, rendant votre recherche beaucoup plus facile.

Pourquoi est-ce important ?

Dans le monde réel, le vrai magicien (le boson de Higgs) est extrêmement rare. Il y en a un pour des milliards de faux. Même si on améliore la détection de quelques pourcents (de 1,17 à 1,20 dans leur calcul), c'est une victoire énorme.

C'est comme si vous cherchiez une perle dans un océan. Si vous réussissez à retirer un peu d'eau de plus, vous avez plus de chances de voir la perle briller.

En Résumé

Cette étude nous dit que pour trouver des phénomènes rares et mystérieux dans l'univers, il ne suffit pas de regarder ce que les particules sont, mais comment elles bougent ensemble. En utilisant l'intelligence artificielle et de nouvelles règles de géométrie, les physiciens peuvent mieux distinguer le signal du bruit, rendant la chasse aux secrets de l'univers plus efficace.

C'est une preuve que parfois, la clé pour résoudre un problème complexe n'est pas de travailler plus dur, mais de regarder les choses sous un angle (littéralement !) différent.

Résumé technique

1. Problématique et Contexte

L'étude se concentre sur la recherche du canal de désintégration rare du boson de Higgs $H \to Z\gamma \to \ell^+\ell^-\gamma$ (où $\ell$ est un électron ou un muon) au Grand Collisionneur de Hadrons (LHC) à une énergie de $\sqrt{s} = 13$ TeV.

• Défi principal : Le signal est extrêmement rare (fraction de branchement SM $\approx 1,5 \times 10^{-3}$) et est noyé dans un fond de Drell-Yan ($Z/\gamma^* \to \ell^+\ell^-$) massif. La section efficace du processus de Drell-Yan est d'environ 2 nb, soit plusieurs ordres de grandeur supérieure à celle du signal.
• Limitation des méthodes actuelles : Les sélections basées sur des coupes simples (cut-based) sont insuffisantes car le fond de Drell-Yan, lorsqu'il est associé à un photon (par rayonnement ou mauvaise identification), présente une topologie cinématique très similaire au signal, créant un continuum lisse qui domine le spectre de masse invariante $m_{\ell\ell\gamma}$.
• Objectif : Améliorer la discrimination signal-fond en exploitant les corrélations cinématiques spécifiques au processus de désintégration à deux corps du Higgs, que le fond ne respecte pas.

2. Méthodologie

L'approche proposée combine deux stratégies complémentaires : l'apprentissage automatique (Machine Learning) et des sélections cinématiques physiques motivées.

A. Simulation et Échantillons

• Signal : Généré via le mécanisme de fusion de gluons (ggF) avec $H \to Z\gamma \to \ell^+\ell^-\gamma$ (Pythia8, POWHEG+Pythia8).
• Fond : Processus Drell-Yan $Z/\gamma^* \to \ell^+\ell^-$ avec émission de photons (Pythia8, aMC@NLO+Pythia8).
• Sélection des événements : Deux leptons de même saveur, de charges opposées, et un photon, avec des coupes minimales sur les $p_T$ et l'isolation, ainsi que des contraintes sur la masse invariante du système dilepton ($50 < m_{\ell\ell} < 120$ GeV).

B. Développement de Nouvelles Observables

L'article s'appuie sur une observation cinématique fondamentale : dans le référentiel de repos d'une particule mère, les produits de désintégration sont émis dos à dos. Dans le laboratoire, un boost Lorentzien les rend collimatés.

• Espace des phases 2D : Les auteurs définissent un plan $(P_{Higgs}, \theta_{Z\gamma})$, où $P_{Higgs}$ est l'impulsion reconstruite du système $\ell^+\ell^-\gamma$ et $\theta_{Z\gamma}$ est l'angle d'ouverture entre le système $Z$ (dilepton) et le photon.
• Différence clé : Le signal $H \to Z\gamma$ suit une corrélation cinématique stricte (une bande étroite dans le plan 2D), tandis que le fond Drell-Yan (où le photon est produit indépendamment) remplit cet espace de manière diffuse sans corrélation forte.
• Nouvelle variable corrélée : Une variable composite est introduite : $\log(\theta_{Z\gamma} \times P_{Higgs})$. Cette variable encode la relation entre l'angle et l'impulsion, maximisant la séparation.

C. Analyse Multivariée (MVA)

Un classificateur XGBoost (Boosted Decision Tree) est entraîné pour discriminer le signal du fond.

• Ensemble de base (Set-1) : 9 variables cinématiques standard (angles, pseudorapidités, masses, etc.).
• Ensemble étendu (Set-2) : L'ensemble de base + 3 nouvelles variables corrélées ($\theta_{Z\gamma}$, $P_{Higgs}$, et $\log(\theta_{Z\gamma} \times P_{Higgs})$).

D. Stratégie de Rejet du Fond

En plus du classificateur, une sélection cinématique directe est appliquée dans le plan $(P_{Higgs}, \theta_{Z\gamma})$ :

1. Le fond dominant est modélisé par un ajustement exponentiel dans le plan 2D.
2. Des bandes de rejet asymétriques ($\pm n\sigma$) sont définies autour des pics de fond pour chaque tranche d'impulsion $P_{Higgs}$.
3. Cette méthode rejette sélectivement les régions dominées par le fond tout en préservant la région du signal.

3. Résultats Clés

Performance du Classificateur (MVA)

L'inclusion des nouvelles variables corrélées améliore significativement la performance du classificateur :

• Augmentation de l'AUC (Area Under Curve) :
  • Canal électron : $0,9473 \to 0,9581$ ($\Delta AUC = +0,0108$).
  • Canal muon : $0,9525 \to 0,9635$ ($\Delta AUC = +0,0110$).
• Importance des variables : La variable $\log(\theta_{Z\gamma} \times P_{Higgs})$ est identifiée comme la plus discriminante (importance $\approx 0,23$), surpassant même la masse invariante du dilepton dans certains cas.
• Gain d'efficacité : Pour un taux de rejet de fond fixe, l'efficacité du signal augmente de jusqu'à 9,95 % (canal muon). Inversement, pour une efficacité de signal fixe, le taux de faux positifs (fond rejeté) diminue de 5,71 %.
• Robustesse : Les tests de surapprentissage (over-training) via les statistiques de Kolmogorov-Smirnov (KS) et $\chi^2$ confirment l'absence de biais, avec des valeurs KS de l'ordre de $10^{-2}$.

Amélioration de la Pureté du Signal

L'application de la stratégie de rejet cinématique dans le plan $(P_{Higgs}, \theta_{Z\gamma})$ conduit à une amélioration de la pureté du signal, mesurée par le rapport $(S+B)/B$ dans le spectre de masse invariante reconstruit :

• Canal électron : Le rapport maximal passe de 1,176 à 1,201 (amélioration de 2,1 %).
• Canal muon : Le rapport maximal passe de 1,161 à 1,200 (amélioration de 3,4 %).
• Efficacité de rejet : Cette méthode permet de supprimer environ 70 % de la contamination Drell-Yan tout en conservant environ 70 % du signal.

4. Contributions et Signification

• Innovation Méthodologique : L'article démontre que l'exploitation explicite des corrélations cinématiques à deux corps (via le plan $(P_{Higgs}, \theta_{Z\gamma})$) est plus efficace que l'utilisation de variables 1D isolées. La création de la variable composite $\log(\theta_{Z\gamma} \times P_{Higgs})$ est une contribution majeure.
• Approche Complémentaire : L'étude propose une méthode hybride combinant la puissance des classificateurs ML (XGBoost) avec une sélection physique interprétable (bandes de rejet dans l'espace des phases), offrant une flexibilité pour les analyses futures.
• Validité Physique : Les résultats sont validés sur des échantillons de simulation de haute précision (incluant des générateurs NLO comme POWHEG et aMC@NLO), confirmant que les corrélations observées sont intrinsèques à la physique du signal et non des artefacts de simulation.
• Impact Potentiel : Bien que l'amélioration numérique du rapport $(S+B)/B$ semble modeste (due à la très faible section efficace du signal SM), l'article montre que cette méthode est robuste et applicable à d'autres recherches de résonances rares ou de physique au-delà du Modèle Standard. La méthode est conçue pour être facilement intégrée dans les analyses expérimentales du Run 3 et du HL-LHC.

En conclusion, ce travail prouve que l'intégration de variables cinématiques corrélées, dérivées de la physique fondamentale de la désintégration, permet d'optimiser la sensibilité des recherches de désintégrations rares du Higgs face à des fonds dominants, en offrant une meilleure séparation signal-bruit sans sacrifier l'efficacité du signal.