Reinterpreting the ATLAS HHH$\to 6b$ Search with CheckMATE and Rivet: Validation, TRSM Benchmarks, and HL-LHC Prospects

Cet article présente une implémentation validée de la recherche ATLAS du triple Higgs vers six jets $b$ dans CheckMATE et Rivet, en l'utilisant pour établir des limites d'exclusion pour les benchmarks du Modèle Standard et de la TRSM et pour projeter la sensibilité du LHC à haute luminosité sous divers scénarios d'incertitude systématique.

L'essentiel

Imaginez le Grand Collisionneur de Hadrons (LHC) comme un immense collisionneur de particules à haute vitesse. Lorsque des protons s'entrechoquent, ils créent parfois une particule très rare et lourde appelée le boson de Higgs. Les scientifiques cherchent particulièrement à savoir si le LHC peut produire trois de ces bosons de Higgs exactement au même moment. C'est comme essayer d'attraper trois papillons rares et insaisissables dans un seul filet ; c'est incroyablement difficile, mais si vous y parvenez, cela nous en apprend beaucoup sur les règles fondamentales de l'univers.

Ce document traite d'une équipe de physiciens qui ont repris une recherche spécifique menée par l'expérience ATLAS (l'un des gigantesques détecteurs du LHC) et l'ont reconstruite en utilisant deux différents "outils de simulation numérique" appelés CheckMATE et Rivet. Considérez ces outils comme deux types différents de moteurs de jeux vidéo de haute technologie. L'objectif était de voir s'ils pouvaient parfaitement imiter les résultats de l'expérience ATLAS et ensuite les utiliser pour chercher une nouvelle physique que l'équipe originale aurait pu manquer.

Voici une décomposition de ce qu'ils ont fait, en utilisant des analogies simples :

1. Le casse-tête des "Six Jets de B"

Lorsque trois bosons de Higgs sont créés, ils se désintègrent presque immédiatement (se brisent) en paires de particules appelées quarks b. Comme chaque Higgs produit deux quarks, trois Higgs produisent six quarks b. Dans le détecteur, cela ressemble à six jets d'énergie.

• Le défi : Le bruit de fond (autres collisions de particules) est comme une fête bondée et bruyante. Trouver six jets spécifiques dans ce bruit est comme essayer de trouver six personnes spécifiques portant des chapeaux rouges dans un stade rempli de monde.
• La solution : L'équipe ATLAS a utilisé un Réseau de Neurones Profonds (DNN). Considérez cela comme un arbitre IA super intelligent qui examine la forme, la vitesse et la position de ces six jets pour décider : "Est-ce le signal rare du triple Higgs, ou juste du bruit de fond ?"

2. La "Recréation" (Validation)

Les auteurs de ce document voulaient s'assurer qu'ils pouvaient reproduire le travail de l'équipe ATLAS parfaitement en utilisant leurs propres outils (CheckMATE et Rivet).

• La vérification de la "Recette" : Ils ont pris la "recette" (les données et le modèle d'IA) fournie par ATLAS et ont essayé de cuisiner le même plat dans leurs propres cuisines.
• La découverte : Ils ont trouvé quelques petites erreurs dans le "livre de recettes" (le papier publié). Par exemple, le papier disait que l'IA regardait les jets d'une certaine manière, mais l'IA réelle avait en fait fait pivoter les jets vers une perspective différente avant de les regarder. C'était comme réaliser que le chef mesurait les ingrédients depuis le fond du bol plutôt que depuis le haut.
• La correction : Une fois ces détails corrigés, leurs simulations correspondaient presque parfaitement aux résultats d'ATLAS. Cela a prouvé que leurs outils étaient fiables et que l'expérience originale était solide.

3. Tester de Nouvelles Théories (Les scénarios "Et si ?")

Le Modèle Standard (notre théorie actuelle de la physique) prédit la fréquence à laquelle ces événements de triple Higgs devraient se produire. Mais et s'il y avait une Nouvelle Physique ?

• Le modèle TRSM : Les auteurs ont testé une nouvelle théorie spécifique appelée Modèle à Deux Scalaires Réels (TRSM). Imaginez que le Modèle Standard est un jeu de cartes standard. Cette nouvelle théorie suggère qu'il y a deux cartes supplémentaires cachées dans le paquet qui changent la façon dont on joue.
• Les points de "Référence" : Ils ont testé 140 versions différentes de cette nouvelle théorie (comme tester 140 façons différentes de mélanger les cartes supplémentaires).
• Le résultat pour l'instant : En utilisant les données que nous avons en ce moment (des dernières années du LHC), aucune de ces 140 nouvelles théories n'a été écartée. Le signal était trop faible pour les voir encore. C'est comme chercher un murmure dans un ouragan ; les données actuelles ne sont pas assez fortes pour l'entendre.

4. Regarder vers l'Avenir (Le HL-LHC)

Le LHC reçoit une mise à niveau appelée le LHC à Haute Luminosité (HL-LHC), qui fonctionnera pendant de nombreuses années supplémentaires et collectera beaucoup plus de données.

• La projection : Les auteurs ont utilisé leurs outils validés pour simuler ce qui se passerait si le LHC collectait 3 à 6 fois plus de données qu'il ne le fait actuellement.
• Les bonnes nouvelles : Avec cette quantité massive de nouvelles données, le "bruit" de la fête serait étouffé et le "murmure" de la nouvelle physique deviendrait audible.
  • Dans un scénario de "meilleur cas" (où nous supposons que nous pouvons parfaitement contrôler toutes les erreurs de mesure), ils ont trouvé qu'environ la moitié des 140 nouvelles théories pourraient être confirmées ou écartées.
  • Même dans un scénario plus réaliste, ils pourraient écarter quelques-unes des versions les plus extrêmes de ces théories.

5. Pourquoi cela importe

Ce document est un rapport de "contrôle qualité" et de "prévision future".

• Contrôle Qualité : Ils ont prouvé que des scientifiques indépendants peuvent reconstruire des expériences complexes en utilisant des outils ouverts, garantissant que les résultats sont dignes de confiance.
• Prévision Future : Ils ont montré que, bien que nous ne puissions pas voir ces nouvelles théories aujourd'hui, la prochaine génération du LHC sera probablement assez puissante pour les détecter (ou prouver qu'elles n'existent pas).

En bref : Les auteurs ont pris une recherche complexe en physique des particules, l'ont reconstruite avec leurs propres outils pour s'assurer qu'elle était parfaite, puis ont utilisé cela pour prédire que la prochaine génération du LHC aura enfin la puissance de détecter ces événements rares de triple Higgs et potentiellement de découvrir de nouvelles lois de la physique.

Résumé technique

Résumé technique : Réinterprétation de la recherche ATLAS $HHH \to 6b$ avec CheckMATE et Rivet

Problématique et motivation
La mesure des auto-couplages du boson de Higgs ($\lambda_3$ et $\lambda_4$) est un objectif primaire du Grand collisionneur de hadrons (LHC), car des écarts par rapport aux prédictions du Modèle Standard (SM) signaleraient une physique au-delà du Modèle Standard (BSM). Bien que la production de paires de Higgs ait fourni des contraintes, la production de triplets de Higgs ($HHH$) offre une sensibilité indépendante cruciale à la couplage quartique. La collaboration ATLAS a récemment publié une recherche pour $HHH \to 6b$ (HIGP-2024-32) utilisant des techniques avancées d'apprentissage automatique, spécifiquement des réseaux de neurones profonds (DNN), et un modèle statistique basé sur le format HS3. Cependant, la complexité de ces analyses — particulièrement la dépendance vis-à-vis des entrées de réseaux neuronaux propriétaires et des vraisemblances statistiques — pose des défis pour une réinterprétation indépendante. Ce document traite de la nécessité d'une mise en œuvre robuste et validée de la recherche ATLAS $HHH \to 6b$ dans deux cadres de réinterprétation largement utilisés : CheckMATE et Rivet.

Méthodologie
Les auteurs ont implémenté l'analyse ATLAS dans CheckMATE et Rivet, en suivant un protocole de validation rigoureux rendu possible par l'important matériel auxiliaire fourni par ATLAS (incluant les réseaux de neurones ONNX, les modèles de vraisemblance HS3 et les histogrammes de validation).

1. Génération d'événements et simulation : Les événements de signal pour le SM et le Modèle des Deux Scalaires Réels (TRSM) ont été générés avec MadGraph5_aMC@NLO à $\sqrt{s}=13$ TeV et 14 TeV, interfacés avec Pythia 8 pour le chatoiement des particules (parton showering) et l'hadronisation. La simulation de la détection a été réalisée à l'aide de Delphes 3.5 (pour CheckMATE) et des fonctions de lissage de Rivet (pour Rivet), incorporant l'algorithme de marquage de jets b (b-tagging) DL1d.
2. Détails de l'implémentation :
   • CheckMATE : A utilisé la bibliothèque ONNX Runtime C++ pour l'inférence DNN et une nouvelle interface pour les vraisemblances au format HS3 via XRooft.
   • Rivet : A employé un script Python autonome pour lire les fichiers YODA et HS3 pour l'inférence statistique, car le package standard Contur ne supporte pas encore directement les vraisemblances HS3.
3. Processus de validation : Les auteurs ont effectué une comparaison granulaire des dix variables d'entrée cinématiques pour trois DNN distincts (non-résonant, résonant et résonant lourd) par rapport aux distributions de référence d'ATLAS. Crucialement, ils ont identifié et corrigé des divergences dans la définition des variables d'entrée, spécifiquement :
   • Sphéricité/Aplanarité : L'analyse originale calculait ces observables après avoir boosté les six jets de tête dans le référentiel du système triple-Higgs, un détail initialement omis dans l'implémentation.
   • RMS($\eta$) : Corrigé pour refléter la racine carrée de la moyenne (root-mean-square) des six jets b de tête avant l'appariement, plutôt que des trois candidats Higgs.
4. Analyse statistique : Les implémentations ont été validées en comparant les limites d'exclusion avec les résultats d'ATLAS pour plus de 60 points de référence. L'étude a ensuite appliqué ces outils validés à un nouvel ensemble de 140 points de "Benchmark à Double Résonance Optimisé" (ODRB) issus de la Réf. [25], qui satisfont les contraintes de perturbativité et offrent des sections efficaces accrues par rapport aux benchmarks précédents.

Principales contributions

• Première validation complète des entrées ML : Ce travail présente le premier cas où toutes les distributions d'entrée et les sorties d'un réseau de neurones LHC réinterprété ont été individuellement validées par rapport à l'expérience originale, confirmant la nécessité de graphiques auxiliaires détaillés pour la réinterprétation du ML.
• Intégration de la vraisemblance HS3 : Il démontre la première utilisation de vraisemblances au format HS3 au sein du cadre CheckMATE et d'un flux de travail personnalisé pour Rivet, validant l'utilité de ce format pour les études de réinterprétation externes.
• Correction des détails de l'analyse : Le papier identifie des divergences techniques spécifiques entre la description de l'analyse publiée et l'implémentation réelle (par exemple, le boost de référentiel pour la sphéricité), fournissant une méthodologie corrigée pour les réinterprétations futures.
• Projections de nouvelle physique : L'étude étend l'analyse aux points de benchmark ODRB, qui n'étaient pas couverts dans la publication originale d'ATLAS, et projette la sensibilité pour le Grand collisionneur de hadrons de haute luminosité (HL-LHC).

Résultats

• Validation : Après correction des définitions des variables d'entrée, les implémentations CheckMATE et Rivet ont montré un excellent accord avec les données ATLAS pour les distributions d'entrée et les scores DNN. Les limites d'exclusion statistique pour les benchmarks originaux d'ATLAS ont été reproduites dans les bandes d'incertitude, avec des écarts mineurs attribués à l'exclusion de certaines incertitudes systématiques spécifiques au signal dans le flux de travail de recast.
• Sensibilité Run 2 : En appliquant les outils validés aux 140 points ODRB à $\sqrt{s}=13$ TeV (Run 2), les auteurs ont trouvé qu'aucun des points de référence n'est exclu par l'ensemble de données actuel. La limite de force du signal observée ($\mu$) la plus forte est d'environ 4.
• Perspectives HL-LHC : Extrapolation vers le HL-LHC ($\sqrt{s}=14$ TeV, 3 ab$^{-1}$ et 6 ab$^{-1}$) sous divers scénarios d'incertitude systématique :
  • Dans un scénario "de base", aucun point n'est exclu.
  • Dans un scénario de "réduction de l'incertitude sur le fond", 3 points deviennent accessibles avec un ensemble de données combiné ATLAS+CMS (6 ab$^{-1}$).
  • Dans un scénario "sans systématiques", 25 points sont accessibles avec 3 ab$^{-1}$, et 67 points (près de la moitié de l'ensemble) sont accessibles avec 6 ab$^{-1}$.
  • Le DNN résonant fournit les limites les plus fortes pour la majorité des points, bien que le DNN non-résonant devienne dominant pour des valeurs de $m_3$ plus élevées.

Signification
Le papier démontre qu'avec suffisamment de matériel auxiliaire (modèles ONNX, vraisemblances HS3 et graphiques de validation détaillés), des recherches complexes basées sur l'apprentissage automatique au LHC peuvent être recasées avec succès et précision. La validation réussie du format HS3 pour l'inférence statistique dans des outils externes marque une étape importante vers des recherches de physique BSM plus transparentes et reproductibles. Bien que les données actuelles du Run 2 soient insuffisantes pour sonder ces nouveaux benchmarks ODRB, l'étude établit que le HL-LHC a le potentiel d'exclure une partie significative de ces modèles physiquement motivés, à condition que les incertitudes systématiques soient maîtrisées et, potentiellement, si les réseaux de neurones sont ré-optimisés pour la cinématique spécifique de ces nouveaux benchmarks. Les auteurs soulignent que leurs résultats servent de preuve de concept pour l'utilité de HS3 et l'importance d'une validation détaillée à l'ère de l'apprentissage automatique avancé en physique des particules.