⚛️ phenomenology

Probing the Higgs Portal to a Strongly-Interacting Dark Sector at the FCC-ee

यह शोध पत्र फ्यूचर सर्कुलर कोलाइडर में एक कन्फ़ाइनिंग डार्क सेक्टर से हिग्स-प्रेरित सेमी-विज़िबल जेट्स का पता लगाने के लिए ग्राफ न्यूरल नेटवर्क का उपयोग करने वाली एक मशीन लर्निंग रणनीति प्रस्तावित करता है, जो एक विस्तृत पैरामीटर स्पेस में एक्सोटिक हिग्स ब्रांचिंग रेश्यो को परमिल स्तर तक सीमित करने की क्षमता प्रदर्शित करता है।

मूल लेखक: Cesare Cazzaniga, Annapaola de Cosa, Felix Kahlhoefer, Andrea S. Maria, Roberto Seidita, Emre Sitti

प्रकाशित 2026-05-25

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Cesare Cazzaniga, Annapaola de Cosa, Felix Kahlhoefer, Andrea S. Maria, Roberto Seidita, Emre Sitti

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

कल्पना कीजिए कि ब्रह्मांड एक विशाल, हलचल भरे शहर की तरह है। हम इस शहर के "दृश्य" (visible) हिस्से के बारे में बहुत कुछ जानते हैं—जैसे इमारतें, लोग, कारें और यातायात। भौतिक विज्ञानी इसे स्टैंडर्ड मॉडल (Standard Model) कहते हैं। लेकिन हम यह भी जानते हैं कि इस शहर के साये में एक विशाल, अदृश्य "डार्क सेक्टर" छिपा हुआ है, जो शहर के अधिकांश द्रव्यमान (mass) को बनाता है (डार्क मैटर), फिर भी हमने वहां से कभी एक भी व्यक्ति को देखा नहीं है।

यह शोध पत्र इस बारे में एक प्रस्ताव है कि कैसे एक सुपर-पावर्ड माइक्रोस्कोप, जिसे FCC-ee (फ्यूचर सर्कुलर कोलाइडर) कहा जाता है, का उपयोग करके इस अदृश्य पड़ोस की एक झलक प्राप्त की जा सकती है, जिसे भविष्य में बनाने की योजना है।

यहाँ उनकी खोज की कहानी सरल रूप में दी गई है:

1. गुप्त सुरंग (द हिग्स पोर्टल)

वैज्ञानिकों का प्रस्ताव है कि हिग्स बोसोन (एक प्रसिद्ध कण जिसकी खोज कुछ साल पहले हुई थी) एक गुप्त सुरंग या "पोर्टल" के रूप में कार्य करता है जो हमारे दृश्य शहर को अदृश्य डार्क सेक्टर से जोड़ता है।

यदि यह सुरंग मौजूद है, तो हिग्स बोसोन कभी-कभी सामान्य कणों में टूटने (decay) के बजाय, "डार्क क्वार्क्स" में टूट सकता है। ये डार्क दुनिया के निर्माण खंड (building blocks) हैं।

2. "सेमी-विज़िबल" भूत (सेमी-विज़िबल जेट्स)

एक बार जब ये डार्क क्वार्क्स बन जाते हैं, तो वे अकेले नहीं रहते। वे तुरंत एक अराजक पार्टी शुरू कर देते हैं, जो पानी में स्याही की एक बूंद के फैलने के समान है। इस प्रक्रिया को "हैड्रोनाइज़ेशन" (hadronization) कहा जाता है।

समस्या: परिणामी डार्क कणों में से कुछ स्थिर और अदृश्य होते हैं (वे भूतों की तरह उड़ जाते हैं)। अन्य अस्थिर होते हैं और वापस सामान्य कणों (जैसे प्रकाश या इलेक्ट्रॉन) में बदल जाते हैं जिन्हें हम देख सकते हैं।
परिणाम: एक साफ, अदृश्य संकेत के बजाय, वैज्ञानिक "सेमी-विज़िबल जेट्स" देखने की उम्मीद करते हैं। कल्पना कीजिए कि एक आतिशबाजी विस्फोट होती है। आमतौर पर, आप पूरे विस्फोट को देखते हैं। लेकिन इस परिदृश्य में, आतिशबाजी फटती है, और आधे स्पार्क्स दृश्य प्रकाश हैं, जबकि बाकी आधे अदृश्य धुएं की तरह हैं जो तुरंत गायब हो जाते हैं। आप एक बिखरा हुआ, आंशिक विस्फोट देखते हैं।

3. दो परिदृश्य: "भारी" बनाम "हल्का"

टीम ने महसूस किया कि यह दो मुख्य तरीकों से हो सकता है, और उन्हें खोजने के लिए अलग-अलग रणनीतियों की आवश्यकता है:

परिदृश्य A: "भारी" अदृश्य (उच्च अदृश्य अंश)
यहाँ, अधिकांश डार्क कण अदृश्य भूत हैं। विस्फोट के कारण भारी मात्रा में ऊर्जा गायब हो जाती है।
- रणनीति: यह उस चोर को खोजने जैसा है जो एक भारी तिजोरी लेकर भाग गया है। आप उन्हें आसानी से पकड़ सकते हैं क्योंकि कमरे से तिजोरी गायब है। वैज्ञानिक उन घटनाओं को खोजने के लिए सरल गणित (kinematics) का उपयोग करते हैं जहाँ बहुत सारी ऊर्जा का कोई हिसाब नहीं मिलता। यह अच्छी तरह से काम करता है।
परिदृश्य B: "हल्का" अदृश्य (कम अदृश्य अंश)
यहाँ, अधिकांश डार्क कण वापस दृश्य चीजों में बदल जाते हैं। विस्फोट लगभग एक सामान्य आतिशबाजी जैसा दिखता है, जिसमें केवल थोड़ा सा अदृश्य धुआं होता है।
- समस्या: यह एक ऐसे चोर को खोजने जैसा है जिसने केवल एक सिक्का चुराया है। कमरा पहले जैसा ही दिखता है, इसलिए यह बताना बहुत कठिन है कि कोई चोरी हुई है या नहीं। "लापता ऊर्जा" (missing energy) एक उपयोगी सुराग के रूप में बहुत छोटी है।

4. सुपर-स्मार्ट जासूस (ग्राफ न्यूरल नेटवर्क)

"हल्के" अदृश्य चोरों (परिदृश्य B) को पकड़ने के लिए, वैज्ञानिक केवल ऊर्जा को नहीं देख सकते थे। उन्हें विस्फोट के आकार को देखने की आवश्यकता थी।

उन्होंने ग्राफ न्यूरल नेटवर्क (GNN) नामक एक प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग किया। इस AI को एक मास्टर डिटेक्टिव के रूप में समझें जो केवल यह नहीं देखता कि क्या फटा, बल्कि यह भी देखता है कि वह कैसे फटा।

उपमा: कल्पना कीजिए कि आपके पास कंफ़ेटी (रंगीन कागज के टुकड़े) के दो ढेर हैं। एक ढेर एक इंसान (एक सामान्य कण) द्वारा फेंका गया था, और दूसरा एक मशीन (एक डार्क सेमी-विज़िबल जेट) द्वारा। नग्न आंखों से, वे यादृच्छिक रंगीन टुकड़ों की तरह दिखते हैं। लेकिन AI हर एक टुकड़े के "फैमिली ट्री" को देखता है—कि वे कैसे विभाजित हुए, वे कैसे चले, और वे एक-दूसरे से कैसे संबंधित हैं।
AI सीखता है कि "डार्क" कंफ़ेटी का एक अनूठा, बिखरा हुआ पैटर्न होता है जो सामान्य कंफ़ेटी में नहीं होता है। यह वैज्ञानिकों को उस सिग्नल को पहचानने में मदद करता है भले ही गायब ऊर्जा बहुत कम हो।

5. परिणाम: एक शक्तिशाली नया लेंस

शोध पत्र निष्कर्ष निकालता है कि यह संयुक्त रणनीति अविश्वसनीय रूप से शक्तिशाली है:

"भारी" अदृश्य मामलों के लिए: सरल ऊर्जा जाँच बहुत अच्छा काम करती है।
"हल्के" अदृश्य मामलों के लिए: AI "सुपर-डिटेक्टिव" अनिवार्य है। इसके बिना, सिग्नल बैकग्राउंड शोर में खो जाएगा। इसके साथ, वैज्ञानिक इन विलक्षण घटनाओं का पता लगा सकते हैं भले ही वे अत्यंत दुर्लभ हों।

मुख्य बात:
लेखक दिखाते हैं कि भविष्य का FCC-ee कोलाइडर, सरल भौतिकी जाँच और उन्नत AI के इस मिश्रण का उपयोग करके, हिग्स बोसोन के डार्क सेक्टर के साथ संबंध को अत्यधिक सटीकता के साथ जांच सकता है। वे संभावित रूप से इन डार्क इंटरैक्शन को एक हजार में से एक भाग (पर्मिल लेवल) के स्तर पर खारिज (या खोज) कर सकते हैं। यह समझने की दिशा में एक बड़ा कदम होगा कि हमारे ब्रह्मांड का "डार्क सेक्टर" वास्तव में कैसा दिखता है।

तकनीकी सारांश: FCC-ee पर स्ट्रॉन्गली-इंटरेक्टिंग डार्क सेक्टर के लिए हिग्स पोर्टल की जांच

समस्या विवरण
मानक मॉडल (Standard Model - SM) डार्क मैटर (DM) और न्यूट्रिनो द्रव्यमान जैसी घटनाओं की व्याख्या करने में विफल रहता है, जो एक "डार्क सेक्टर" (DS) की उपस्थिति का सुझाव देते हैं। हिडन वैली (Hidden Valley - HV) परिदृश्य एक स्ट्रॉन्गली-कपल्ड डार्क सेक्टर का प्रस्ताव करता है जो मध्यस्थों (mediators) के माध्यम से SM के साथ अंतःक्रिया करता है, जिसमें हिग्स बोसॉन भी शामिल हो सकता है। यदि हिग्स डार्क क्वार्क्स ( $q_d$ ) में क्षय होता है, तो उसके बाद का डार्क कन्फाइनमेंट और हैड्रोनाइजेशन "सेमी-विज़िबल जेट्स" (SVJs) उत्पन्न कर सकता है। इन अंतिम अवस्थाओं में दृश्य SM कणों (अस्थिर डार्क हैड्रॉन्स से) और अदृश्य कणों (स्थिर डार्क हैड्रॉन्स) का मिश्रण होता है। जबकि उच्च-लुप्त ऊर्जा (high-missing-energy) वाले संकेतों को पहचाना जा सकता है, कम अदृश्य अवस्थाओं ( $r_{inv}$ ) वाले SVJs SM बैकग्राउंड की नकल करते हैं, विशेष रूप से हैड्रॉन कोलाइडर में जहाँ QCD गतिविधि उच्च होती है। यह कार्य फ्यूचर सर्कुलर कोलाइडर (FCC) के इलेक्ट्रॉन-पॉजिट्रॉन मोड में इन संकेतों की जांच करने की क्षमता की जांच करता है, जो अपने स्वच्छ वातावरण और कम QCD बैकग्राउंड का लाभ उठाता है।

कार्यप्रणाली
यह अध्ययन HV ढांचे के भीतर बेंचमार्क मॉडल का निर्माण करता है जहाँ हिग्स बोसॉन एक डार्क $SU(3)_d$ सेक्टर के लिए पोर्टल के रूप में कार्य करता है। दो अलग-अलग व्यवस्थाओं (regimes) का विश्लेषण किया गया है:

उच्च- $r_{inv}$ व्यवस्था: डार्क मैटर की प्रचुरता (relic abundance) से प्रेरित, यह परिदृश्य मानता है कि डार्क हैड्रॉन्स का एक महत्वपूर्ण हिस्सा स्थिर है। मॉडल में डार्क पायॉन्स ( $\pi_d$ ), वेक्टर मेसॉन्स ( $\rho_d$ ), और $\eta'_d$ शामिल हैं, जिनमें SM लेप्टॉन्स, क्वार्क्स और फोटॉन्स में विशिष्ट क्षय चैनल हैं। $r_{inv}$ एक व्युत्पन्न मात्रा है जो हैड्रोनाइजेशन पैरामीटर्स ( $p_v, p_\eta, \Lambda$ ) पर निर्भर करती है।
निम्न- $r_{inv}$ व्यवस्था: एक मॉडल-एग्नोस्टिक पैरामेट्रिक दृष्टिकोण जहाँ $r_{inv}$ एक स्पष्ट इनपुट पैरामीटर है, और डार्क शावर मुख्य रूप से SM कणों या अदृश्य रूप में क्षय होने वाले डार्क पायॉन्स से बना है।

सिमुलेशन और विश्लेषण रणनीति

इवेंट जनरेशन: सिग्नल ( $e^+e^- \to ZH \to \ell^+\ell^- q_d\bar{q}_d$ ) और बैकग्राउंड ($ZZ, WW, ZH$) इवेंट्स को Pythia8 के हिडन वैली मॉड्यूल का उपयोग करके जेनरेट किया गया है और Delphes3 में IDEA डिटेक्टर पैरामीट्राइजेशन के माध्यम से सिम्युलेट किया गया है। केंद्र-द्रव्यमान ऊर्जा (center-of-mass energy) 240 GeV और एकीकृत ल्यूमिनोसिटी (integrated luminosity) 10.8 ab $^{-1}$ निर्धारित की गई है।
काइनेमैटिक चयन (Kinematic Selections): इवेंट्स को एक स्वच्छ $Z \to \ell^+\ell^-$ $Z \to ℓ^{+} ℓ^{-}$ रिकोइल टोपोलॉजी के आधार पर चुना गया है। कट्स में लेप्टॉन आइसोलेशन, डाय-लेप्टॉन मास ( $85 < m_{\ell\ell} < 95$ $85 < m_{ℓℓ} < 95$ GeV), और हिग्स रिकोइल मास ( $120 < m_{rec} < 130$ $120 < m_{r ec} < 130$ GeV) शामिल हैं।
- उच्च- $r_{inv}$ के लिए, चयनों में मिसिंग एनर्जी ( $30 < E_{miss} < 90$ GeV) और अज़ीमुथल सेपरेशन ( $\min \Delta\phi < 1.7$ ) शामिल हैं।
- निम्न- $r_{inv}$ के लिए, जहाँ $E_{miss}$ भेदभाव के लिए अपर्याप्त है, बैकग्राउंड ($WW $) को दबाने के लिए एक सख्त$ \Delta\phi $कट ($ < 0.7$) लागू किया गया है।
मशीन लर्निंग (GNN): निम्न- $r_{inv}$ संकेतों की चुनौती को हल करने के लिए, जहाँ काइनेमैटिक कट्स विफल हो जाते हैं, लेखक एक ग्राफ न्यूरल नेटवर्क (LundNet) का उपयोग करते हैं। यह टैगर जेट्स को लुंड ग्राफ (Lund graphs) के रूप में प्रस्तुत करता है जो पूर्ण क्लस्टरिंग हिस्ट्री, नोड काइनेमैटिक्स ( $k_t, \Delta, z, \psi, m$ ), और पार्टिकल-टाइप एनर्जी फ्रैक्शन ( $f_e, f_\mu, f_\gamma, f_h$ ) को एनकोड करता है। नेटवर्क SM QCD जेट्स से SVJ सबस्ट्रक्चर को अलग करता है।

प्रमुख योगदान और परिणाम

उच्च- $r_{inv}$ में संवेदनशीलता: केवल काइनेटिक चयन ही अच्छा सिग्नल-बैकग्राउंड पृथक्करण प्रदान करते हैं, जिससे एक्सोटिक हिग्स ब्रांचिंग रेशियो ( $BR(H \to q_d\bar{q}_d)$ ) के लिए प्रतिशत स्तर पर संवेदनशीलता प्राप्त होती है। GNN टैगर को शामिल करने से यह संवेदनशीलता लगभग तीन गुना सुधर जाती है, जो पर्मिल स्तर ( $O(10^{-2}\%)$ ) तक पहुँच जाती है।
निम्न- $r_{inv}$ में संवेदनशीलता: कम अदृश्य अंश वाले व्यवस्थाओं में, मानक काइनेटिक कट्स अप्रभावी हैं क्योंकि वे बहुत अधिक सिग्नल को हटा देते हैं या बैकग्राउंड को दबाने में विफल रहते हैं। GNN टैगर यहाँ महत्वपूर्ण है, जो संवेदनशीलता को बहाल करता है और पूरे पैरामीटर स्पेस में $BR(H \to q_d\bar{q}_d)$ को पर्मिल स्तर तक सीमित करने में सक्षम बनाता है।
कपलिंग बाधाएं (Coupling Constraints): इन ब्रांचिंग रेशियो सीमाओं को हिग्स-डार्क क्वार्क कपलिंग ( $y$ ) के प्रतिबंधों में अनुवादित करते हुए, अध्ययन पाता है कि अपेक्षित 95% CL ऊपरी सीमाएं पूरे पैरामीटर स्पेस में $4.1 \times 10^{-4}$ से $1.3 \times 10^{-3}$ के बीच हैं।
बैकग्राउंड दमन: अध्ययन यह प्रदर्शित करता है कि FCC-ee का वातावरण, जो LHC के अत्यधिक QCD बैकग्राउंड से मुक्त है, SVJs की सटीक पहचान की अनुमति देता है। GNN प्रभावी रूप से जेट सबस्ट्रक्चर, विशेष रूप से लेप्टॉन्स और फोटॉन्स के ऊर्जा अंशों और छद्म-जेट्स (pseudo-jets) की संख्या का उपयोग करके सिग्नल को SM $ZH $और$ ZZ$ बैकग्राउंड से अलग करता है।

महत्व
पेपर का दावा है कि प्रस्तावित रणनीति FCC-ee पर हिग्स-पोर्टल डार्क सेक्टर्स के लिए एक विस्तृत पैरामीटर स्पेस को प्रभावी ढंग से प्रोब करती है। यह रेखांकित करता है कि जबकि उच्च-मिसिंग-एनर्जी परिदृश्यों के लिए अनुकूलित काइनेटिक चयन पर्याप्त हैं, आधुनिक जेट-सबस्ट्रक्चर टैगिंग (विशेष रूप से GNNs) मुख्य रूप से दृश्य अंतिम अवस्थाओं वाले मॉडलों की खोज या उन्हें सीमित करने के लिए आवश्यक है। परिणाम बताते हैं कि FCC-ee हिग्स एक्सोटिक ब्रांचिंग रेशियो को पर्मिल स्तर तक सीमित कर सकता है, जो वर्तमान LHC सीमाओं (लगभग 18%) से काफी अधिक है। लेखक नोट करते हैं कि इस सरलीकृत मॉडलिंग रणनीति को पूरक खोजों के लिए हैड्रॉन कोलाइडर्स (FCC-hh, LHC) के लिए विस्तारित किया जा सकता है, हालांकि यह विशिष्ट अध्ययन $e^+e^-$ वातावरण पर केंद्रित है।

1. गुप्त सुरंग (द हिग्स पोर्टल)

2. "सेमी-विज़िबल" भूत (सेमी-विज़िबल जेट्स)

3. दो परिदृश्य: "भारी" बनाम "हल्का"

4. सुपर-स्मार्ट जासूस (ग्राफ न्यूरल नेटवर्क)

5. परिणाम: एक शक्तिशाली नया लेंस

इसी तरह के और पेपर