⚛️ high-energy experiments

Search for Higgs bosons produced in association with a high-energy photon via vector-boson fusion and decaying to a pair of $b$ -quarks in the ATLAS detector

13 TeV प्रोटॉन-प्रोटॉन टकराव डेटा के 133 fb $^{-1}$ का उपयोग करते हुए, ATLAS सहयोग ने एक उच्च-ऊर्जा फोटॉन और $b\bar{b}$ में क्षय होने वाले वेक्टर-बोसान फ्यूजन के माध्यम से उत्पादित स्टैंडर्ड मॉडल हिग्स बोसॉन के लिए खोज की, जिसमें $0.2 \pm 0.7$ का सिग्नल स्ट्रेंथ मापने के लिए उन्नत विश्लेषण तकनीकों का उपयोग किया गया, जिसका प्रेक्षित महत्व (significance) 0.3 मानक विचलन था, जो बैकग्राउंड-ओनली परिकल्पना के अनुरूप है।

मूल लेखक: ATLAS Collaboration

प्रकाशित 2026-05-05

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: ATLAS Collaboration

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य चित्र: एक तूफान में भूत की तलाश

कल्पना कीजिए कि लार्ज हैड्रॉन कोलाइडर (LHC) एक विशाल, हाई-स्पीड कार रेस है जहाँ कण (particles) कारें हैं। जब वे आपस में टकराते हैं, तो मलबे का एक अराजक विस्फोट होता है। भौतिक विज्ञानी उस विस्फोट में एक बहुत ही विशिष्ट, दुर्लभ "भूतिया" कार को खोजने की कोशिश कर रहे हैं: हिग्स बोसोन (Higgs boson)।

हिग्स बोसोन अपने अन्य कणों को द्रव्यमान (mass) देने के लिए प्रसिद्ध है, लेकिन इसे पकड़ना बहुत कठिन है। यह आमतौर पर लगभग तुरंत ही बॉटम क्वार्क्स (बॉटम क्वार्क्स को "b-क्वार्क्स" कहें) के जोड़े में टूट जाता है। समस्या यह है कि रेस ट्रैक सामान्य टकरावों से निकले लाखों अन्य "b-क्वार्क" मलबे से भरा हुआ है। हिग्स को खोजना एक लाख समान लाल मार्बल्स के ढेर में एक विशिष्ट लाल मार्बल को पहचानने जैसा है।

नई रणनीति: "फ्लैशलाइट" वाला कमाल

इस नए अध्ययन में, ATLAS टीम ने अपनी खोज रणनीति बदलने का निर्णय लिया। केवल लाल मार्बल्स को खोजने के बजाय, उन्होंने एक ऐसा लाल मार्बल खोजने का निर्णय लिया जिसे टक्कर के ठीक उसी क्षण एक चमकदार फ्लैशलाइट से हिट किया गया हो।

फ्लैशलाइट: यह एक उच्च-ऊर्जा वाला फोटॉन (प्रकाश का एक कण) है।
कमाल: इन टकरावों के भौतिकी में, यदि एक फोटॉन के साथ हिग्स बोसोन बनता है, तो यह वेक्टर-बोसॉन फ्यूजन (VBF) नामक एक बहुत ही विशिष्ट तरीके से होता है। यह प्रक्रिया दुर्लभ है, लेकिन इसके पास एक सुपरपावर है: यह स्वाभाविक रूप से "शोर" (बैकग्राउंड मलबे) को कम कर देती है।
परिणाम: एक फोटॉन की उपस्थिति की शर्त रखकर, टीम ने 99% कचरे को बाहर निकाल दिया। यह एक अंधेरे, भीड़भाड़ वाले कमरे में स्पॉटलाइट जलाने जैसा है; अचानक, आप जिस विशिष्ट व्यक्ति को ढूंढ रहे हैं, वह गहरे बैकग्राउंड के मुकाबले बहुत अधिक स्पष्ट दिखाई देने लगता है।

जासूसी का काम: औजारों को अपग्रेड करना

टीम ने 2015 से 2018 के डेटा का उपयोग किया (133 "इन्वर्स फेम्टोबार्न" डेटा, जो एक फैंसी तरीका है यह कहने का कि "टकराव के रिकॉर्डों की एक विशाल मात्रा")। सिग्नल को खोजने के लिए, उन्हें अपने जासूसी टूलकिट को अपग्रेड करना पड़ा:

न्यूरल नेटवर्क (द सुपर-स्लीथ): पिछले शोधों में, वे हिग्स बोसोन का अनुमान लगाने के लिए एक मानक डिसीजन ट्री (जैसे कि फ्लोचार्ट) का उपयोग करते थे। इस पेपर में, उन्होंने इसे एक न्यूरल नेटवर्क (AI का एक प्रकार) में अपग्रेड कर दिया। पुराने तरीके को एक जूनियर डिटेक्टिव के रूप में सोचें जो एक चेकलिस्ट का पालन करता है, जबकि नया न्यूरल नेटवर्क एक अनुभवी डिटेक्टिव है जो पूरी तस्वीर देख सकता है, पैटर्न को महसूस कर सकता है, और उन सूक्ष्म सुरागों को पहचान सकता है जिन्हें चेकलिस्ट मिस कर देती है।
बेहतर बैकग्राउंड मॉडलिंग: उन्होंने महसूस किया कि उनके कंप्यूटर सिमुलेशन द्वारा बनाया गया "कचरा" बैकग्राउंड एकदम सटीक नहीं था। उन्होंने एक नया तरीका विकसित किया जिससे वे अपने सिमुलेशन को "रीवेट" (reweight) कर सकें, जिसका अर्थ है कंप्यूटर को वास्तविक दुनिया के शोर की सटीक नकल करने के लिए सिखाना, इससे पहले कि वे सिग्नल की तलाश शुरू करें।
डायरेक्ट फिटिंग: केवल यह गिनने के बजाय कि कितने इवेंट्स "हिग्स ज़ोन" में आते हैं, उन्होंने AI के कॉन्फिडेंस स्कोर के संपूर्ण वितरण (distribution) का विश्लेषण किया। यह केवल यह गिनने जैसा नहीं है कि कितने लोग विवरण से मेल खाते हैं, बल्कि इस बात का विश्लेषण करना है कि भीड़ में हर एक व्यक्ति संदिग्ध होने की संभावना कितनी है।

परिणाम: एक शांत कमरा

अपने नए, हाई-टेक सिस्टम के माध्यम से सारा डेटा चलाने के बाद, उन्हें यहाँ क्या मिला:

अपेक्षा: स्टैंडर्ड मॉडल (भौतिकी का हमारा सबसे अच्छा सिद्धांत) के आधार पर, उन्हें 1.5 स्टैंडर्ड डेविएशन के महत्व (significance) के साथ एक सिग्नल दिखने की उम्मीद थी। जासूसी के शब्दों में, इसका मतलब था कि उन्हें एक "मजबूत संकेत" या "संभावित संदिग्ध" की उम्मीद थी, लेकिन अभी किसी को गिरफ्तार करने के लिए पर्याप्त नहीं था।
वास्तविकता: उन्होंने 0.2 का सिग्नल स्ट्रेंथ देखा (जो अनुमानित मान के सापेक्ष है)। सांख्यिकीय महत्व (statistical significance) केवल 0.3 स्टैंडर्ड डेविएशन था।
अनुवाद: यह अनिवार्य रूप से एक "नल रिजल्ट" (null result) है। यह एक जासूस द्वारा संदिग्ध सूची को देखने और यह कहने जैसा है, "मुझे यहाँ कोई भी ऐसा नहीं दिख रहा जो रैंडम चांस (यादृच्छिक संयोग) से बेहतर विवरण से मेल खाता हो।" डेटा लगभग बैकग्राउंड शोर जैसा ही दिखता है।

यह क्यों मायने रखता है (भले ही उन्हें यह नहीं मिला)

आप सोच सकते हैं, "यदि उन्हें यह नहीं मिला, तो वे पेपर क्यों लिख रहे हैं?"

यह साबित करना कि तरीका काम करता है: उन्होंने सफलतापूर्वक प्रदर्शित किया कि उनकी नई "फ्लैशलाइट + AI" रणनीति काम करती है। उन्होंने दिखाया कि वे बैकग्राउंड शोर को अविश्वसनीय रूप से अच्छी तरह से मॉडल कर सकते हैं और उनके नए उपकरण पुराने वाले की तुलना में अधिक संवेदनशील हैं।
मानक तय करना: उन्होंने सिग्नल स्ट्रेंथ को 0.2 ± 0.7 मापा। इसका मतलब है कि वास्तविक मान संभवतः -0.5 और +0.9 के बीच कहीं है। चूंकि स्टैंडर्ड मॉडल 1.0 की भविष्यवाणी करता है, इसलिए उनका परिणाम सिद्धांत के अनुकूल (compatible) है (यह त्रुटि के मार्जिन के भीतर है), लेकिन यह सिद्धांत को सही भी साबित नहीं करता है।
फ्यूचर प्रूफिंग: यह विश्लेषण एक रिहर्सल की तरह है। जो तकनीकें उन्होंने यहाँ परिष्कृत की हैं—विशेष रूप से न्यूरल नेटवर्क और बैकग्राउंड मॉडलिंग—वे अब भविष्य में और भी अधिक डेटा पर लागू करने के लिए तैयार हैं। वे अगले शिकार के लिए अपने चाकू तेज़ कर रहे हैं।

निचोड़

ATLAS टीम ने एक विशाल डेटासेट लिया, शोर को साफ करने के लिए एक चतुर "फोटॉन टैग" का उपयोग किया, और हिग्स बोसोन को खोजने के लिए एक सुपर-स्मार्ट AI तैनात किया। उन्हें इस बार कोई निर्णायक खोज नहीं मिली (सिग्नल रैंडम उतार-चढ़ाव से अलग पहचान में नहीं आया), लेकिन उन्होंने साबित कर दिया कि उनके नए तरीके शक्तिशाली हैं और दौड़ के अगले दौर के लिए तैयार हैं। वे अभी भी खोज रहे हैं, और वे पहले से कहीं अधिक स्मार्ट तरीके से खोज रहे हैं।

तकनीकी सारांश: ATLAS डिटेक्टर में वेक्टर-बोसन फ्यूजन के माध्यम से एक उच्च-ऊर्जा फोटॉन के साथ उत्पादित हिग्स बोसोन की खोज, जो $b$ -क्वार्क्स के जोड़े में क्षय होता है

समस्या और प्रेरणा
मानक मॉडल (SM) के हिग्स बोसोन की खोज, जो $b$ -क्वार्क्स के जोड़े में क्षय ( $H \to b\bar{b}$ ) होता है, अत्यधिक गैर-अनुनादी (non-resonant) क्वांटम क्रोमोडायनामिक्स (QCD) मल्टीजेट बैकग्राउंड के कारण चुनौतीपूर्ण है। हालांकि $H \to b\bar{b}$ क्षय मुख्य मोड है, इसे अलग करने के लिए महत्वपूर्ण बैकग्राउंड सप्रेशन (पृष्ठभूमि दमन) की आवश्यकता होती है। यह विश्लेषण वेक्टर-बोसन फ्यूजन (VBF) टोपोलॉजी में एक उच्च-ऊर्जा फोटॉन के साथ हिग्स बोसोन के संबद्ध उत्पादन ( $H\gamma$ ) को लक्षित करता है। संबद्ध फोटॉन की आवश्यकता दो महत्वपूर्ण कार्य करती है: यह एक स्वच्छ ट्रिगर सिग्नेचर प्रदान करती है और इनिशियल-स्टेट और फाइनल-स्टेट रेडिएशन आरेख के बीच विनाशकारी हस्तक्षेप (destructive interference) प्रभावों के माध्यम से, गैर-अनुनादी QCD मल्टीजेट बैकग्राउंड को काफी कम कर देती है। इसके अलावा, एक संबद्ध फोटॉन की उपस्थिति में, VBF प्रमुख हिग्स उत्पादन तंत्र बन जाता है, जो ग्लूऑन-ग्लूऑन फ्यूजन ($ggH $) से आगे निकल जाता है। यह चैनल$ HWW$ इंटरेक्शन और VBF उत्पादन गतिकी का अधिक बारीकी से अध्ययन करने का एक अनूठा अवसर प्रदान करता है, क्योंकि समान हस्तक्षेप प्रभावों द्वारा $ZZ$-फ्यूजन को दबा दिया जाता है।

कार्यप्रणाली (Methodology)
यह विश्लेषण ATLAS डिटेक्टर द्वारा रन 2 (2015-2018) के दौरान $\sqrt{s} = 13$ TeV पर प्रोटॉन-प्रोटॉन टकराव के 133 fb $^{-1}$ डेटा का उपयोग करता है।

इवेंट सिलेक्शन: लक्षित सिग्नेचर में दो $b$ -टैग्ड जेट्स (हिग्स क्षय से), दो अतिरिक्त उच्च-इनवेरिएंट-मास जेट्स (VBF-कैंडिडेट जेट्स), और एक उच्च-ऊर्जा आइसोलेटेड फोटॉन शामिल हैं। इवेंट्स को फोटॉन $p_T > 30$ GeV, कम से कम दो $b$ -टैग्ड जेट्स ( $p_T > 40$ GeV के साथ), और $p_T > 40$ GeV वाले दो अतिरिक्त जेट्स के साथ चुना जाता है। VBF उम्मीदवारों का डाइजेट इनवेरिएंट मास 800 GeV से अधिक होना चाहिए। अन्य विश्लेषणों के साथ ऑर्थोगोनैलिटी बनाए रखने के लिए, $p_T > 25$ GeV वाले आइसोलेटेड इलेक्ट्रॉन या म्यूऑन वाले इवेंट्स को वीटो (veto) किया जाता है।
सिग्नल और बैकग्राउंड मॉडलिंग: सिग्नल इवेंट्स ( $H \to b\bar{b} + \gamma$ ) को MadGraph5_aMC@NLO और Herwig 7 का उपयोग करके नेक्स्ट-टू-लीडिंग ऑर्डर (NLO) पर सिम्युलेट किया गया है। प्रमुख बैकग्राउंड्स गैर-अनुनादी $b\bar{b}\gamma jj$ और $c\bar{c}\gamma jj$ उत्पादन हैं, जिन्हें MadGraph5_aMC@NLO और Pythia 8 के साथ लीडिंग ऑर्डर (LO) पर मॉडल किया गया है। टॉप-क्वार्क ( $t\bar{t}$ ) और $Z\gamma jj$ बैकग्राउंड को भी शामिल किया गया है।
मल्टीवेरिएट एनालिसिस (MVA): पिछले विश्लेषणों की तुलना में एक प्रमुख सुधार बूस्टेड डिसीजन ट्री (BDT) को एक डेंसली कनेक्टेड न्यूरल नेटवर्क (NN) से बदलना है। NN को 14 काइनेटिक इनपुट वेरिएबल्स का उपयोग करके सिग्नल जैसे इवेंट्स को बैकग्राउंड से अलग करने के लिए प्रशिक्षित किया गया है, जिसमें डाइ- $b$ -जेट इनवेरिएंट मास ( $m_{bb}$ ), जेट मल्टीसिटी, और कोणीय सहसंबंध (angular correlations) शामिल हैं। NN आउटपुट स्कोर का उपयोग प्राथमिक डिस्क्रिमिनेटर के रूप में किया जाता है।
बैकग्राउंड मॉडलिंग और रीवेटिंग: कंट्रोल रीजन (जो $m_{bb}$ साइडबैंड्स द्वारा परिभाषित है) में डेटा और मोंटे कार्लो (MC) सिमुलेशन के बीच विसंगतियों को दूर करने के लिए, प्रमुख $b\bar{b}\gamma jj$ और $c\bar{c}\gamma jj$ बैकग्राउंड्स के लिए काइनेटिक रीवेटिंग स्केल फैक्टर्स निकाले गए हैं। ये कारक 14 NN इनपुट वेरिएबल्स के लिए डेटा और MC वितरणों के अनुपात से प्राप्त किए जाते हैं और MC सैंपल्स के बीच बेहतर सहमति के लिए लागू किए जाते हैं।
सांख्यिकीय विश्लेषण: सिग्नल रीजन ( $100 \le m_{bb} \le 150$ GeV) और कंट्रोल रीजन में NN स्कोर डिस्ट्रीब्यूशन पर सीधे एक बिन्ड मैक्सिमम-लाइक्लिहुड फिट (binned maximum-likelihood fit) किया जाता है। यह फिट हिग्स सिग्नल स्ट्रेंथ ( $\mu_H$ ) और प्रमुख गैर-अनुनादी बैकग्राउंड्स के नॉर्मलाइजेशन को एक साथ निकालता है। थ्योरी मॉडलिंग, पार्टोन शावर वेरिएशंस, और एक्सपेरिमेंटल इफेक्ट्स (जेट एनर्जी स्केल, $b$ -टैगिंग एफिशिएंसी) सहित सिस्टमैटिक अनसर्टेन्टीज़ को 78 नसेंस पैरामीटर्स (nuisance parameters) के माध्यम से शामिल किया गया है।

प्रमुख योगदान और सुधार
यह विश्लेषण इस चैनल में पिछले ATLAS खोजों की तुलना में कई पद्धतिगत प्रगति पेश करता है:

न्यूरल नेटवर्क क्लासिफायर: डीप न्यूरल नेटवर्क का उपयोग पिछले उपयोग किए गए BDT की तुलना में बेहतर सिग्नल-बैकग्राउंड डिस्क्रिमिनेशन प्रदान करता है।
डायरेक्ट फिटिंग स्ट्रैटेजी: $m_{bb}$ डिस्ट्रीब्यूशन को फिट करने वाले पिछले दृष्टिकोणों के विपरीत, यह विश्लेषण NN स्कोर डिस्ट्रीब्यूशन से सीधे सिग्नल स्ट्रेंथ निकालता है, और $m_{bb}$ का उपयोग केवल सिग्नल और कंट्रोल रीजन को परिभाषित करने के लिए करता है। यह बैकग्राउंड शेप पैरामीट्राइजेशन से जुड़े मॉडलिंग-संबंधित सिस्टमैटिक अनसर्टेन्टीज़ को कम करता है।
उन्नत बैकग्राउंड मॉडलिंग: प्रमुख गैर-अनुनादी बैकग्राउंड्स के लिए काइनेटिक रीवेटिंग का कार्यान्वयन कंट्रोल रीजन में डेटा और सिमुलेशन के बीच बेहतर सहमति सुनिश्चित करता है।
बड़े MC सैंपल्स: मुख्य बैकग्राउंड्स के लिए काफी बड़े सिम्युलेटेड सैंपल्स का उपयोग MC टेम्पलेट्स से जुड़ी सांख्यिकीय अनसर्टेन्टी को कम करता है।

परिणाम
विश्लेषण एक ऑब्जर्व्ड हिग्स बोसोन सिग्नल स्ट्रेंथ $\mu_H = 0.2 \pm 0.7$ देता है, जो स्टैंडर्ड मॉडल भविष्यवाणी के सापेक्ष है। SM हाइपोथीसिस के तहत अपेक्षित सिग्नल स्ट्रेंथ $1.0 \pm 0.7$ है।

महत्ता (Significance): ऑब्जर्व्ड सिग्निफिकेंस 0.3 स्टैंडर्ड डेविएशन ( $\sigma$ ) है, जबकि SM मानते हुए अपेक्षित सिग्निफिकेंस 1.5 $\sigma$ है।
बैकग्राउंड नॉर्मलाइजेशन: प्रमुख गैर-अनुनादी बैकग्राउंड्स का पोस्ट-फिट नॉर्मलाइजेशन लीडिंग-ऑर्डर MC अनुमान का लगभग 85% है।
गुडनेस-ऑफ-फिट: फिट $p$ -वैल्यू 30% देता है, जो डेटा और बैकग्राउंड-प्लस-सिग्नल मॉडल के बीच अच्छी सहमति का संकेत देता है।
अनसर्टेन्टीज़: कुल अनसर्टेन्टी सांख्यिकीय सीमाओं (0.57) द्वारा डोमिनेटेड है, उसके बाद MC बैकग्राउंड टेम्पलेट स्टैटिस्टिक्स (0.25) और थ्योरी/मॉडलिंग अनसर्टेन्टीज़ (0.24) आती हैं।

महत्व
पेपर यह निष्कर्ष निकालता है कि हालांकि VBF $H(b\bar{b}) + \gamma$ प्रक्रिया के लिए कोई महत्वपूर्ण प्रमाण नहीं देखा गया, लेकिन यह विश्लेषण पिछले मापों की तुलना में बेहतर संवेदनशीलता (sensitivity) प्रदर्शित करता है। 1.5 $\sigma$ की अपेक्षित सिग्निफिकेंस पिछले पूर्ण रन-2 विश्लेषण (उसी चैनल के) पर लगभग 50% सुधार का प्रतिनिधित्व करती है। 0.3 $\sigma$ का मामूली परिणाम, छोटे उत्पादन क्रॉस-सेक्शन और डेटासेट की सांख्यिकीय सीमाओं को देखते हुए, SM अपेक्षा के अनुरूप है। यह अध्ययन नई मल्टीवेरिएट तकनीकों, काइनेटिक रीवेटिंग और डायरेक्ट फिटिंग स्ट्रैटेजीज़ की प्रभावशीलता को प्रमाणित करता है, जो भविष्य के खोजों के लिए एक मजबूत ढांचा स्थापित करता है। परिणाम अनसर्टेन्टीज़ के भीतर पिछले माप ( $\mu_H = 1.3 \pm 1.0$ ) के अनुकूल हैं।