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

यहाँ ATLAS डिटेक्टर के साथ $\sqrt{s}= 13$ TeV पर $pp$ टकरावों में मल्टीलेप्टॉन (multilepton) अंतिम अवस्थाओं में विसंगति पहचान (anomaly detection) के माध्यम से स्टैंडर्ड मॉडल से परे (Beyond the Standard Model) भौतिकी की खोज पर आधारित शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

पार्टिकल फिजिक्स का स्टैंडर्ड मॉडल (SM), हालांकि अत्यधिक सफल है, फिर भी कई मौलिक घटनाओं की व्याख्या करने में विफल रहता है, जिनमें फर्मिऑन द्रव्यमान (fermion masses) का पदानुक्रम, न्यूट्रिनो द्रव्यमान, डार्क मैटर और पदार्थ-प्रतिपदार्थ विषमता (matter-antimatter asymmetry) शामिल हैं। लार्ज हैड्रॉन कोलाइडर (LHC) पर पारंपरिक BSM खोजें आमतौर पर मॉडल-निर्भर (model-dependent) होती हैं, जो विशिष्ट सैद्धांतिक ढांचों (जैसे सूपरसिमेट्री या वेक्टर-लाइक लेप्टॉन) द्वारा अनुमानित हस्ताक्षरों को लक्षित करती हैं। हालाँकि, बिना किसी स्पष्ट सैद्धांतिक दिशा के, ये लक्षित खोजें उन नवीन BSM हस्ताक्षरों को मिस कर सकती हैं जो पूर्व-निर्धारित टोपोलॉजी में फिट नहीं बैठते।

यह शोध पत्र एक मॉडल-अज्ञेय (model-agnostic) खोज रणनीति की आवश्यकता को संबोधित करता है। विशेष रूप से, यह कम से कम चार हल्के लेप्टॉन (इलेक्ट्रॉन या म्यूऑन) वाले अंतिम अवस्थाओं को लक्षित करता है, जो एक ऐसा चैनल है जिसमें SM बैकग्राउंड बहुत कम है लेकिन विलक्षण उच्च-द्रव्यमान कणों के क्षय (decays) के प्रति उच्च संवेदनशीलता है। चुनौती एक उच्च-आयामी फीचर स्पेस (high-dimensional feature space) के भीतर दुर्लभ, विसंगत घटनाओं की पहचान करने में है, बिना किसी विशिष्ट सिग्नल मॉडल को धारणा के रूप में लिए।

2. कार्यप्रणाली (Methodology)

यह विश्लेषण ATLAS डिटेक्टर के पूर्ण Run 2 डेटासेट का उपयोग करता है, जो $\sqrt{s} = 13$ TeV पर 140 fb$^{-1}$ की एकीकृत ल्यूमिनोसिटी (integrated luminosity) के बराबर है। कार्यप्रणाली को दो समानांतर दृष्टिकोणों में विभाजित किया गया है: मॉडल-स्वतंत्र (Model-Independent) और मॉडल-निर्भर (Model-Dependent) खोज, दोनों ही विसंगति पहचान (Anomaly Detection - AD) तकनीकों का उपयोग करते हैं।

A. इवेंट चयन और पुनर्निर्माण (Event Selection and Reconstruction)

• ट्रिगर (Trigger): घटनाओं का चयन अंतिम अवस्था की बहुलता (multiplicity) के आधार पर सिंगल-लेप्टॉन या ड़ी-लेप्टॉन ट्रिगर्स का उपयोग करके किया जाता है।
• ऑब्जेक्ट्स (Objects): हल्के लेप्टॉन ($e, \mu$) को सख्त पहचान और आइसोलेशन मानदंडों के साथ पुनर्गठित किया जाता है। जेट्स को एंटी-$k_t$ एल्गोरिदम ($R=0.4$) का उपयोग करके पुनर्गठित और कैलिब्रेट किया जाता है। $b$-टैगिंग को एक डीप-लर्निंग न्यूरल नेटवर्क का उपयोग करके किया जाता है।
• श्रेणियाँ (Categories): चयनित घटनाओं को तीन ऑर्थोगोनल (orthogonal) अंतिम अवस्थाओं में वर्गीकृत किया गया है:
  1. कुल चार्ज $Q=0$ के साथ $4\ell$।
  2. कुल चार्ज $Q=\pm 2$ के साथ $4\ell$।
  3. $\ge 5\ell$ के साथ।
• उप-वर्गीकरण (Sub-categorization): क्षेत्रों को $Z$-बोसन उम्मीदवारों (91.2 GeV के निकट इनवेरिएंट मास वाले लेप्टॉन जोड़े), $b$-जेट बहुलता, और लेप्टॉन फ्लेवर संरचना के आधार पर और विभाजित किया गया है।

B. विसंगति पहचान (AD) तकनीक

मुख्य नवाचार अनसुपरवाइज्ड मशीन लर्निंग (Unsupervised Machine Learning) का उपयोग है, विशेष रूप से आउटलायर डिटेक्शन (outlier detection) के लिए नॉर्मलाइजिंग फ्लो (Normalizing Flows) (RealNVP आर्किटेक्चर) का उपयोग किया गया है।

• प्रशिक्षण (Training): फ्लो को विशेष खोज क्षेत्रों के भीतर केवल सिम्युलेटेड SM बैकग्राउंड इवेंट्स पर प्रशिक्षित किया जाता है। यह एक उच्च-आयामी फीचर स्पेस में बैकग्राउंड के संभाव्यता घनत्व फलन (probability density function) $p(x)$ को सीखता है।
• इनपुट वेरिएबल्स (Input Variables): मॉडल भौतिक रूप से प्रेरित उच्च-स्तरीय वेरिएबल्स का उपयोग करता है, जिनमें शामिल हैं:
  • ट्रांसवर्स मोमेंटा का योग ($H_{T}^{lep}$, $H_{T}^{jets}$)।
  • मिसिंग ट्रांसवर्स एनर्जी ($E_{T}^{miss}$)।
  • लेप्टॉन जोड़े और सिस्टम का इनवेरिएंट मास ($m(4\ell)$, $m(Z)$, $m(\ell\ell)$)।
  • ट्रांसवर्स मास ($m_T$)।
  • एक स्यूडो-कंटीन्यूअस (pseudo-continuous) $b$-टैगिंग स्कोर का योग।
• विसंगति स्कोर (Anomaly Score): घटनाओं को बैकग्राउंड वितरण के सापेक्ष लॉग-संभाव्यता घनत्व के आधार पर एक स्कोर $s(x)$ दिया जाता है। उच्च स्कोर इंगes कि घटनाएँ "आउट-ऑफ-डिस्ट्रीब्यूशन" (दुर्लभ या विसंगत) हैं।
• बिनिंग (Binning):
  • मॉडल-स्वतंत्र: बिना किसी पूर्वाग्रह के अधिकता (excess) खोजने के लिए विसंगति स्कोर वितरण को ओवरलैपिंग सिग्नल बिन (जैसे घटनाओं का शीर्ष 0.1%, 1%, 10%) में विभाजित किया जाता है।
  • मॉडल-निर्भर: स्कोर वितरण को विशिष्ट बेंचमार्क मॉडल के प्रति संवेदनशीलता को अधिकतम करने के लिए बिन किया जाता है।

C. बैकग्राउंड अनुमान (Background Estimation)

बैकग्राउंड का अनुमान एक समतुल्य प्रोफाइल लाइकलीहुड फिट (simultaneous profile likelihood fit) का उपयोग करके सामान्यीकृत (normalized) किए गए मोंटे कार्लो (MC) सिमुलेशन (जैसे $ZZ$, $t\bar{t}Z$, $VVV$, $t\bar{t}$) का उपयोग करके लगाया जाता है।

• कंट्रोल रीजन (CRs): बैकग्राउंड नॉर्मलाइजेशन को नियंत्रित करने के लिए पांच ऑर्थोगोनल CRs को परिभाषित किया गया है:
  • $WZ/t\bar{t}Z$ ($WZ$और$t\bar{t}Z$ में समृद्ध)।
  • कन्वर्शन्स (फोटॉन कन्वर्शन्स में समृद्ध)।
  • $HFe, HF\mu$ (हैवी-फ्लेवर नॉन-प्रॉम्प्ट लेप्टॉन्स में समृद्ध)।
  • $LFe$ (लाइट-फ्लेवर नॉन-प्रॉम्प्ट लेप्टॉन्स में समृद्ध)।
• सिस्टमैटिक्स (Systematics): व्यापक व्यवस्थित अनिश्चितताओं को शामिल किया गया है, जिसमें ल्यूमिनोसिटी, लेप्टॉन/जेट रिकंस्ट्रक्शन, $b$-टैगिंग, और सैद्धांतिक मॉडलिंग (स्केल वेरिएशंस, PDFs, पार्टन शॉवर मैचिंग) शामिल हैं।

3. प्रमुख योगदान (Key Contributions)

1. मल्टीलेप्टॉन अंतिम अवस्थाओं में प्रथम AD खोज: यह पहली बार है जब मल्टीलेप्टॉन ($\ge 4\ell$) चैनलों में नॉर्मलाइजिंग फ्लो का उपयोग करके विसंगति पहचान (AD) को लागू किया गया है। पिछली AD खोजें मुख्य रूप से जेट-भारी (jet-heavy) अंतिम अवस्थाओं पर केंद्रित थीं।
2. मॉडल-अज्ञेय ढांचा (Model-Agnostic Framework): यह विश्लेषण बिना किसी विशिष्ट सिग्नल टोपोलॉजी की धारणा के BSM भौतिकी की खोज के लिए एक मजबूत विधि प्रदर्शित करता है, जो प्रभावी रूप से फेज स्पेस पर एक "व्यापक जाल" (wide net) डालता है।
3. फ्लेवरफुल वेक्टर-लाइक लेप्टॉन (VLL) सीमाएं: यह पेपर "फ्लेवरफुल VLL" मॉडल पर पहली बार बहिष्करण सीमाएं (exclusion limits) प्रस्तुत करता है, जहाँ VLLs एक नए स्केलर $S_{ji}$ के माध्यम से क्षय होते हैं, जो लेप्टॉन-फ्लेवर-वाइलेटिंग क्षय और उच्च लेप्टॉन बहुलता की अनुमति देता है।
4. दोहरी-रणनीति विश्लेषण (Dual-Strategy Analysis): मॉडल-स्वतंत्र (डिस्कवरी) और मॉडल-निर्भर (बेंचमार्क) खोजों का समवर्ती निष्पादन व्यापक संवेदनशीलता और विशिष्ट बेंचमार्क परिदृश्यों पर विशिष्ट बाधाओं दोनों की अनुमति देता है।

4. परिणाम (Results)

• अवलोकन (Observation): किसी भी सिग्नल क्षेत्र में स्टैंडर्ड मॉडल की अपेक्षा से घटनाओं की कोई महत्वपूर्ण अधिकता (excess) नहीं देखी गई। डेटा बैकग्राउंड-ओनली हाइपोथीसिस के अनुरूप है।
• ग्लोबल सिग्निफिकेंस (Global Significance): सबसे बड़ी स्थानीय अधिकता $Q=\pm 2$ और $0Z$ $2SFOS$क्षेत्रों में पाई गई, जो$2\sigma$ की स्थानीय सिग्निफिकेंस के अनुरूप है। "लुक-एल्सवेयर इफेक्ट" (look-elsewhere effect) को ध्यान में रखने के बाद, ग्लोबल सिग्निफिकेंस 0.90$\sigma$ है।
• मॉडल-स्वतंत्र सीमाएं: प्रत्येक मॉडल-स्वतंत्र सिग्नल बिन के लिए दृश्य क्रॉस-सेक्शन ($\sigma_{vis}$) पर बहिष्करण सीमाएं निर्धारित की गईं। खोज कम इवेंट यील्ड वाले उच्च-बहुलता लेप्टॉन चैनलों के कारण सांख्यिकीय अनिश्चितताओं द्वारा हावी है।
• मॉडल-निर्भर सीमाएं (95% CL):
  • वेक्टर-लाइक लेप्टॉन्स (VLLs):
    • $SU(2)$ सिंगलेट VLL ($VLL^S_e$): 290 GeV तक बहिष्कृत।
    • $SU(2)$ डबलट VLL ($VLL^D_e$): 925 GeV तक बहिष्कृत।
    • $VLL^S_\mu$: 320 GeV तक बहिष्कृत।
    • $VLL^D_\mu$: 850 GeV तक बहिष्कृत।
    • फ्लेवरफुल VLLs: स्केलर द्रव्यमान की एक विस्तृत श्रृंखला के लिए $VLL^e$ के लिए 1300 GeV और $VLL^\mu$ के लिए 1280 GeV तक बहिष्कृत।
  • सुपरसिमेट्री (SUSY):
    • विनो-लाइक चार्जिनोस/न्यूट्रालिनोस (Wino-like Charginos/Neutralinos): 1600 GeV तक बहिष्कृत।
    • स्म्यूॉन्स (Smuons): 495 GeV तक बहिष्कृत ($\Delta m > 140$ GeV के लिए), जो विशिष्ट मास-स्प्लिटिंग क्षेत्रों में समर्पित खोजों की तुलना में बेहतर संवेदनशीलता दिखाती है।

5. महत्व (Significance)

यह कार्य जटिल, कम-बैकग्राउंड मल्टीलेप्टॉन चैनल में अनसुपरवाइज्ड मशीन लर्निंग को सफलतापूर्वक एकीकृत करके ATLAS BSM खोज कार्यक्रम में एक महत्वपूर्ण कदम है।

• AD का सत्यापन: यह सिद्ध करता है कि नॉर्मलाइजिंग फ्लो बिना किसी पूर्व ज्ञान के उच्च-आयामी डेटा में प्रभावी रूप से विसंगत काइनेमैटिक क्षेत्रों की पहचान कर सकते हैं, जो पारंपरिक कट-आधारित और मॉडल-विशिष्ट खोजों का पूरक है।
• न्यू फिजिक्स की पहुंच: फ्लेवरफुल VLL मॉडल पर पहली सीमाएं निर्धारित करके, यह विश्लेषण उन BSM सिद्धांतों के परीक्षण के लिए एक नया द्वार खोलता है जिनमें लेप्टॉन फ्लेवर उल्लंघन और नए स्केलर शामिल हैं।
• भविष्य की संभावनाएं: मॉडल-स्वतंत्र परिणाम भविष्य के पुनर्व्याख्याओं (reinterpretations) के लिए एक बेंचमार्क प्रदान करते हैं। जैसे-जैसे LHC, रन 3 और हाई-ल्यूमिनोसिटी LHC (HL-LHC) की ओर बढ़ेगा, ये AD तकनीकें उच्च-बहुलता लेप्टॉन क्षेत्र में अप्रत्याशित भौतिकी की खोज के लिए और अधिक शक्तिशाली होती जाएंगी।