⚛️ expériences de haute énergie

Search for nonresonant production of strongly coupled dark matter in proton-proton collisions at $\sqrt{s}$ = 13 TeV

En utilisant 138 fb $^{-1}$ de données de collisions proton-proton à $\sqrt{s}$ = 13 TeV collectées par le détecteur CMS, cette étude présente une recherche de jets semi-visibles non résonnants indiquant une matière noire fortement couplée en utilisant des techniques d'apprentissage automatique supervisées et non supervisées, ne trouvant aucun excès significatif et établissant des limites d'exclusion sur les masses des médiateurs jusqu'à 2,4 TeV.

Auteurs originaux : CMS Collaboration

Publié 2026-10-27

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : CMS Collaboration

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Depuis des décennies, les machines les plus puissantes de la Terre fracassent des protons les uns contre les autres à une vitesse proche de celle de la lumière, révélant un univers construit à partir d'un ensemble spécifique de particules fondamentales. Ce modèle standard de la physique est remarquablement réussi, prédisant le comportement de tout, des atomes les plus légers aux particules les plus lourdes connues. Pourtant, les astronomes savent depuis longtemps que ce modèle est incomplet. Les observations de la rotation des galaxies et de la façon dont la lumière dévie autour des amas massifs d'étoiles suggèrent que la majeure partie de la matière de l'univers est invisible. Cette masse manquante, connue sous le nom de matière noire, n'émet pas de lumière, ne la réfléchit pas et n'interagit pas avec les forces qui maintiennent les atomes ensemble, ce qui la rend impossible à observer directement. Alors que les scientifiques passent des années à chercher une particule simple et lourde qui pourrait expliquer cette obscurité, ils n'ont rien trouvé. Ce silence a conduit les chercheurs à envisager des possibilités plus complexes : peut-être que la matière noire n'est pas une seule particule solitaire, mais un secteur caché entier de particules qui interagissent entre elles par leurs propres forces, tout comme la matière visible que nous connaissons, mais qui restent cachées à notre vue.

Dans une étude récente, la collaboration CMS au Grand collisionneur de hadrons en Suisse a mis l'une de ces idées complexes à l'épreuve. Ils ont cherché des preuves d'un « secteur sombre » où les particules sont créées par paires, l'une des parties de la paire étant visible et l'autre invisible. Dans ce scénario, une particule lourde se désintégrerait en un essaim de nouvelles particules. Certaines de ces nouvelles particules seraient stables et invisibles, s'échappant du détecteur sans laisser de trace, tandis que d'autres seraient instables et se désintégreraient immédiatement en particules ordinaires que le détecteur peut voir. Le résultat serait un jet de particules qui ressemble à un spray normal de débris, mais avec une partie significative de son énergie manquante. Les chercheurs ont appelé ces objets étranges des « jets semi-visibles ». Contrairement aux recherches typiques sur la matière noire qui cherchent un jet unique ricochant contre un grand vide d'énergie manquante, cette recherche cherchait à ce que l'énergie manquante soit alignée juste à côté du jet visible, cachée à l'intérieur même de l'essaim.

Pour trouver ces signaux insaisissables, l'équipe a analysé un ensemble massif de collisions proton-proton collectées entre 2016 et 2018, correspondant à une luminosité intégrée de 138 femtobarns inverses. Cette quantité de données représente un nombre immense de collisions, fournissant un puits profond d'informations à passer au crible. Le défi consistait à distinguer ces jets semi-visibles hypothétiques du bruit de fond écrasant des sprays de particules ordinaires produits par des processus physiques standards. Pour ce faire, les chercheurs ont employé deux stratégies distinctes d'apprentissage automatique. La première était une approche supervisée, où un programme informatique a été entraîné sur des simulations du modèle spécifique de matière noire pour reconnaître les motifs uniques d'un jet semi-visible. La seconde était une approche non supervisée, où un autre programme informatique a appris à quoi ressemble un jet normal en étudiant des données réelles, puis a signalé tout jet qui semblait inhabituel ou « anomal » par rapport à cette norme. Cette deuxième méthode était conçue pour être plus flexible, capable de repérer des signaux même s'ils ne correspondaient pas parfaitement aux simulations spécifiques utilisées dans la première méthode.

L'analyse s'est concentrée sur des événements où l'énergie manquante était alignée avec un jet, une signature qui constituerait une preuve irréfutable de ce type de secteur sombre. Les chercheurs ont soigneusement filtré les événements causés par des erreurs de détecteur ou des processus de fond connus, tels que la production de quarks top ou la désintégration des bosons W et Z. Ils ont ensuite examiné la distribution de l'énergie manquante à travers tous les événements qu'ils avaient collectés. Malgré les outils sophistiqués et le volume considérable de données, la recherche est restée infructueuse. Les chercheurs n'ont trouvé aucun excès significatif d'événements pouvant être attribués à des jets semi-visibles. Les données correspondaient parfaitement aux prédictions du modèle standard, sans aucun signe des particules du secteur sombre qu'ils traquaient.

Comme aucun signal n'a été trouvé, l'équipe a utilisé ses résultats pour exclure des versions spécifiques du modèle de matière noire qu'elle testait. Ils ont déterminé que si ces jets semi-visibles existent, la particule lourde qui les crée ne peut pas avoir une masse comprise entre 0,5 et 2,4 téraélectronvolts, selon les autres propriétés du modèle. Pour la recherche non supervisée, qui est plus apte à repérer des signaux où la partie invisible du jet est plus grande, ils ont pu exclure des masses allant jusqu'à 2,1 téraélectronvolts. Ces limites sont significatives car elles ferment la porte à un large éventail de possibilités théoriques qui n'avaient pas été testées auparavant. L'étude démontre que même lorsque la matière noire est cachée à l'intérieur d'un jet, mélangée à des particules ordinaires, elle laisse une empreinte distincte que les détecteurs modernes et les algorithmes informatiques avancés peuvent rechercher. Bien que la recherche n'ait pas trouvé la matière noire, elle a réussi à cartographier le territoire où elle ne se trouve pas, guidant les expériences futures vers de nouvelles possibilités.

Résumé Technique : Recherche de la production non résonante de matière noire fortement couplée dans les collisions proton-proton à $\sqrt{s} = 13$ TeV

Problème et Motivation
Bien que le Modèle Standard (MS) de la physique des particules décrive avec succès les particules élémentaires connues, les observations astronomiques — telles que les courbes de rotation des galaxies et les lentilles gravitationnelles — indiquent fortement l'existence d'une matière noire (DM) inexpliquée par la théorie actuelle. Les recherches traditionnelles en collisionneur se sont concentrées sur les WIMPs (particules massives interagissant faiblement), qui produisent généralement des signatures de moment transverse manquant ( $p^{\text{miss}}_T$ ) reculant contre des particules visibles du MS. Cependant, aucune preuve de la DM de type WIMP n'a été trouvée.

Cet article étudie une classe alternative de modèles impliquant des « vallées cachées » (hidden valleys) ou des secteurs sombres (DS) régis par une interaction de confinement similaire à la chromodynamique quantique (QCD) du MS, souvent appelée « QCD sombre ». Dans ces scénarios, les quarks sombres forment des gerbes (showers) et s'hadronisent en hadrons sombres. Des hadrons sombres stables échappent au détecteur en tant que DM, tandis que d'autres sont instables et se désintègrent rapidement en quarks du MS. Ce processus produit des « jets semi-visibles » (SVJ) — des sprays collimatés contenant à la fois des particules visibles et des candidats de DM invisibles. Contrairement aux recherches de DM conventionnelles où le $p^{\text{miss}}_T$ recule contre un jet, les événements SVJ présentent un $p^{\text{miss}}_T$ aligné avec le jet lui-même. Cet article présente la première recherche CMS de la production non résonante de cette matière noire fortement couplée.

Méthodologie
L'analyse utilise les données de collisions proton-proton collectées par le détecteur CMS à $\sqrt{s} = 13$ TeV durant la période de prise de données 2016–2018, correspondant à une luminosité intégrée de 138 fb $^{-1}$ .

Modèle de Signal : Le signal est médié par un scalaire bifundamental massif $\Phi$ qui se couple simultanément aux quarks du MS et aux quarks sombres. Le modèle est défini par quatre paramètres : la masse du médiateur ( $m_\Phi$ ), le couplage de Yukawa ( $\lambda$ ), la fraction d'hadrons sombres stables ( $r_{\text{inv}}$ ) et l'échelle de masse des hadrons sombres ( $m_{\text{dark}}$ ).
Sélection d'Événements : Les événements sont sélectionnés en exigeant une somme scalaire élevée de moments transverses ( $S_T > 1300$ GeV), au moins deux jets larges ( $R=0.8$ ), et un $p^{\text{miss}}_T$ significatif ( $> 200$ GeV). Un critère de sélection clé exige que l'angle minimum entre n'importe quel jet et le vecteur $p^{\text{miss}}_T$ ( $\Delta\phi_{\text{min}}$ ) soit inférieur à 1,5, reflétant l'alignement attendu dans les événements SVJ.
Stratégies d'Apprentissage Automatique : Deux marqueurs (taggers) complémentaires sont employés pour distinguer les SVJ des jets du MS :
1. Marqueur Supervisé (PARTICLENET) : Un réseau de neurones sur graphe (GNN) entraîné sur des échantillons simulés de signal et de fond. Il utilise des informations au niveau des particules (quadrivecteurs des constituants) pour apprendre la dynamique spécifique des gerbes sombres. Il est très sensible aux paramètres spécifiques du modèle utilisé pour l'entraînement, mais moins agnostique vis-à-vis du modèle.
2. Marqueur Non Supervisé (Wasserstein Normalized Autoencoder - WNAE) : Un algorithme de détection d'anomalies entraîné sur des données du MS (régions enrichies en QCD et $t\bar{t}$ ) pour apprendre la distribution de la sous-structure des jets du MS. Il identifie les SVJ comme des jets présentant une sous-structure anormale sans connaissance préalable du modèle de signal, offrant une sensibilité plus large aux hypothèses de signaux non testés.
Estimation du Fond : Le fond dominant provient d'événements multijets QCD avec des jets mal mesurés induisant un $p^{\text{miss}}_T$ artificiel. Il est estimé via la méthode ABCDisCoTEC, une technique ABCD améliorée par apprentissage automatique. Un classificateur par réseau de neurones est entraîné pour être décorrelé du $p^{\text{miss}}_T$ afin de partitionner les événements en quatre régions (A, B, C, D), permettant de prédire le fond dans la région de signal (A) à partir des régions de contrôle (B, C, D) en utilisant les données.
Incertitudes Systématiques : Les incertitudes incluent les effets du détecteur (échelle/résolution de l'énergie des jets, empilement/pileup), la modélisation théorique (PDF, échelles de renormalisation), et des corrections spécifiques pour la mauvaise modélisation de la sous-structure des jets à l'aide des densités du plan de jet de Lund.

Contributions Clés

Approche à Double Stratégie : L'article introduit et compare un GNN supervisé dépendant du modèle et un autoencodeur non supervisé agnostique pour l'identification des SVJ, démontrant les compromis entre sensibilité spécifique et indépendance vis-à-vis du modèle.
Correction de la Sous-structure : Une méthode de correction novatrice est appliquée aux simulations de signal pour tenir compte de la mauvaise modélisation de la sous-structure des jets. Cela implique de reclester les jets de signal en sous-jets correspondant aux quarks du MS et de les repondérer selon la densité du plan de jet de Lund observée dans les régions de contrôle des données.
Amélioration de la Méthode ABCD : L'application de la méthode ABCDisCoTEC permet une estimation robuste du fond dans un régime dominé par les fonds instrumentaux (jets mal mesurés) où les estimations traditionnelles basées sur la simulation sont peu fiables.

Résultats
Aucun excès significatif d'événements n'a été observé par rapport au fond attendu du MS dans la distribution du $p^{\text{miss}}_T$ pour l'une ou l'autre des stratégies de marqueur. Par conséquent, des limites supérieures à un niveau de confiance de 95 % (CL) sur la section efficace de production du médiateur bifundamental $\Phi$ ont été établies.

Recherche Supervisée : Exclut les masses de médiateurs entre 0,5 et 2,4 TeV, selon les autres paramètres du signal. Pour les modèles de signal avec $r_{\text{inv}} = 0,3$ et $\lambda = 1,0$ , toutes les masses de hadrons sombres considérées sont exclues pour $m_\Phi < 1,7$ TeV.
Recherche Non Supervisée : Exclut les masses de médiateurs entre 0,5 et 2,1 TeV. Notamment, pour les modèles de signal avec des fractions plus élevées de matière noire stable ( $r_{\text{inv}} \approx 0,6\text{--}0,9$ ), la recherche non supervisée démontre une sensibilité accrue, excluant les masses de médiateurs jusqu'à 2,1 TeV, alors que la recherche supervisée (entraînée sur des valeurs de $r_{\text{inv}}$ plus faibles) n'exclut que jusqu'à 1,7 TeV.
Espace des Paramètres : Les résultats excluent des régions spécifiques dans les plans $(m_\Phi, r_{\text{inv}})$ , $(m_\Phi, m_{\text{dark}})$ et $(m_\Phi, \lambda)$ . Par exemple, pour $m_\Phi < 1,6$ TeV, toutes les variations de $\lambda$ considérées sont exclues dans la recherche supervisée, tandis que $\lambda > 2$ est exclu pour toutes les valeurs de $m_\Phi$ dans la même stratégie.

Signification
Ce travail représente la première recherche CMS de la production non résonante de matière noire fortement couplée. En employant des techniques d'apprentissage automatique pour exploiter à la fois la sous-structure des jets au niveau particulaire et la cinématique au niveau de l'événement, l'analyse étend la portée des recherches de secteurs sombres au-delà des paradigmes traditionnels des WIMPs. L'article souligne que si les méthodes supervisées offrent une haute sensibilité à des modèles de référence spécifiques, la détection d'anomalies non supervisée fournit une robustesse cruciale face à l'immense incertitude des paramètres des secteurs sombres, réussissant à exclure des régions de l'espace de paramètres qui resteraient autrement inexplorées. Ces résultats complètent les recherches existantes sur la matière noire composite et contraignent la production de médiateurs scalaires bifundamentaux dans les secteurs sombres fortement couplés.

Articles similaires