⚛️ high-energy experiments

Search for exotic Higgs boson decays H $\to$ $\mathcal{AA}$ with $\mathcal{AA}$ $\to$ $\gamma\gamma$ in events with a semi-merged topology in proton-proton collisions at $\sqrt{s}$ = 13 TeV

CMS प्रयोग द्वारा $\sqrt{s}$ = 13 TeV पर एकत्र किए गए 138 fb $^{-1}$ प्रोटॉन-प्रोटॉन टक्कर डेटा का उपयोग करते हुए, यह अध्ययन दो हल्के कणों ( $\mathcal{A}$ ) में विलुप्त होने वाले विलक्षण हिग्स बोसॉन क्षय की खोज करता है जो तत्पश्चात चार फोटॉन में क्षय होते हैं, जहाँ एक $\mathcal{A}$ एक अर्ध-विलगित (semi-merged) द्वि-फोटॉन प्रणाली उत्पन्न करता है और दूसरा दो विलगित (resolved) फोटॉन उत्पन्न करता है, जिसमें ऐसे आयोजनों का कोई प्रमाण नहीं मिला और 1 से 5 GeV के बीच $\mathcal{A}$ द्रव्यमान के लिए उत्पादन क्रॉस सेक्शन गुना ब्रांचिंग फ्रैक्शन पर अब तक की सबसे कड़ेतम सीमाएं निर्धारित की गईं।

मूल लेखक: CMS Collaboration

प्रकाशित 2026-07-30

📖 4 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: CMS 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

कल्पना कीजिए कि ब्रह्मांड लेगो (Lego) के एक विशाल, कॉस्मिक सेट की तरह है। दशकों से, वैज्ञानिक इस बात का एक मॉडल बना रहे हैं कि सब कुछ कैसे काम करता है, जिसे 'स्टैंडर्ड मॉडल' कहा जाता है। यह एक शानदार ब्लूप्रिंट है जो बताता है कि इलेक्ट्रॉन और क्वार्क जैसे सूक्ष्म कण कैसे आपस में जुड़कर तारे, ग्रह और यहाँ तक कि आपको भी बनाते हैं। लेकिन हर अच्छे ब्लूप्रिंट में कुछ हिस्से गायब होते हैं, और सबसे बड़ा रहस्य 'हिग्स बोसोन' (Higgs boson) है। हिग्स को उस "गोंद" (glue) के रूप में सोचें जो अन्य कणों को उनका वजन देता है। हमें यह गोंद 2012 में मिला था, लेकिन हम नहीं जानते कि क्या बॉक्स में यह एकमात्र प्रकार का गोंद है। शायद छाया में छिपे हुए कुछ गुप्त, विलक्षण (exotic) प्रकार के गोंद मौजूद हैं, जो खोजे जाने का इंतज़ार कर रहे हैं। यदि हम उन्हें ढूंढ लेते हैं, तो इसका अर्थ होगा कि ब्रह्मांड के बारे में हमारी समझ केवल हिमशैल (iceberg) का ऊपरी सिरा है, जो वर्तमान में हम जो जानते हैं उससे परे भौतिकी की एक पूरी नई दुनिया के द्वार खोल देगा।

यही ठीक वह काम है जिसे करने के लिए CERN के CMS प्रयोग के वैज्ञानिकों की एक टीम ने हाथ में लिया था। उन्होंने ब्रह्मांडीय जासूसों की तरह काम किया, प्रोटॉन को लगभग प्रकाश की गति से आपस में टकराया ताकि यह देखा जा सके कि क्या हिग्स बोसोन कभी कुछ अजीब व्यवहार करता है। विशेष रूप से, वे एक दुर्लभ, विलक्षण क्षय (decay) की तलाश कर रहे थे: एक हिग्स बोसोन का दो अदृश्य, काल्पनिक कणों (मान लीजिए "A") में विभाजित होना, जो फिर प्रकाश की चार चमक (फोटॉन) में बदल जाते हैं। पेचीदा हिस्सा यह है कि ये "A" कण बहुत हल्के हो सकते हैं और इतनी तेज़ी से चल सकते हैं कि उनकी प्रकाश की चमक आपस में दब (squish) जाती है। कभी-कभी, दो चमकें मिलकर एक बड़ा गोला बन जाती हैं, और कभी-कभी वे अलग रहती हैं। वैज्ञानिकों ने एक "अर्ध-विलुप्त" (semi-merged) परिदृश्य पर ध्यान केंद्रित किया जहाँ चमकों की एक जोड़ी दबकर एक एकल गोले में बदल गई, और दूसरी जोड़ी स्पष्ट रूप से अलग थी। यह पक्षियों के एक झुंड में एक विशिष्ट प्रकार के पक्षी को पहचानने की कोशिश करने जैसा है जहाँ दो पक्षी एक-दूसरे के इतने करीब उड़ रहे हैं कि वे एक विशाल पक्षी की तरह दिखते हैं, जबकि अन्य दो अलग-अलग उड़ रहे हैं।

इस मायावी घटना को पकड़ने के लिए, टीम ने डेटा की एक विशाल मात्रा का विश्लेषण किया—2016 और 2018 के बीच रिकॉर्ड किए गए 138 बिलियन बिलियन टकराव (138 fb⁻¹)। उन्होंने एक अत्यंत बुद्धिमान कंप्यूटर मस्तिष्क का उपयोग किया, जो आर्टिफिशियल इंटेलिजेंस का एक प्रकार है जिसे 'ग्राफ न्यूरल नेटवर्क' (Graph Neural Network) कहा जाता है, ताकि डिटेक्टर की क्रिस्टल "आंखों" में छोड़े गए ऊर्जा के सूक्ष्म पैटर्न को देखा जा सके। इस AI को एक दब हुए जोड़े (squished pair) के फोटॉन के अद्वितीय फिंगरप्रिंट को पहचानने के लिए प्रशिक्षित किया गया था, भले ही वे एक एकल फोटॉन की तरह दिख रहे हों या जब एक चमक मानक उपकरणों द्वारा देखी न जा सके। यह एक कुत्ते को एक विशिष्ट गंध को सूंघने के लिए प्रशिक्षित करने जैसा है, भले ही वह गंध हजार अन्य गंधों के साथ मिली हुई हो।

अपनी खोज चलाने के बाद, टीम को कुछ महत्वपूर्ण मिला: कुछ भी नहीं। उन्हें इन विलक्षण "A" कणों के कोई संकेत नहीं मिले। डेटा पूरी तरह से वही था जो स्टैंडर्ड मॉडल भविष्यवाणी करता है, जिसका अर्थ है कि इस प्रयोग के इस विशेष कोने में कोई नई भौतिकी छिपी नहीं थी। हालाँकि यह एक "कोई परिणाम नहीं" जैसा लग सकता है, लेकिन यह विज्ञान के लिए एक बड़ी जीत है। कणों को न पाकर, टीम यह निर्धारित करने में सफल रही कि यह विलक क्षय कितनी बार हो सकता है। उन्होंने इस संभावना को खारिज कर दिया कि यह 1 और 15 GeV के बीच द्रव्यमान वाले कणों के लिए एक निश्चित सूक्ष्म मात्रा से अधिक बार हो सकता है। वास्तव में, 1–5 GeV रेंज के लिए उनके द्वारा निर्धारित सीमाएं अब तक की सबसे सख्त (stringent) हैं। इसलिए, भले ही उन्हें नए कण नहीं मिले, उन्होंने कई सिद्धांतों के लिए दरवाजे सफलतापूर्वक बंद कर दिए जो भविष्यवाणी करते थे कि वे वहां होंगे, जिससे भौतिकविदों को अपने विचारों पर पुनर्विचार करने और ब्रह्मांड के लापता हिस्सों को नई जगहों पर खोजने के लिए मजबूर होना पड़ा।

तकनीकी सारांश: सेमी-मर्ज्ड टोपोलॉजी में एक्सोटिक हिग्स बोसॉन क्षय $H \to AA$ के साथ $A \to \gamma\gamma$ की खोज

समस्या और प्रेरणा
स्टैंडर्ड मॉडल से परे भौतिकी (BSM) की खोज तेजी से एक्सोटिक हिग्स बोसॉन क्षय पर केंद्रित हो गई है, विशेष रूप से प्रक्रिया $H \to AA$ , जहाँ $A$ एक काल्पनिक हल्का स्पिन-0 कण है। जबकि पिछले शोधों ने पूरी तरह से 'रिज़ॉल्व्ड' (resolved) शासन ( $m_A \gtrsim 15$ GeV) को सफलतापूर्वक कवर किया है जहाँ दोनों $A$ बोसॉन दो अलग-अलग फोटॉन में क्षय होते हैं, और पूरी तरह से 'मर्ज्ड' (merged) शासन ( $m_A \lesssim 1$ GeV) को जहाँ दोनों $A$ बोसॉन अत्यधिक संकुचित (collimated) फोटॉन युग्मों के रूप में एक ही ऑब्जेक्ट के रूप में पुनर्गठित होते हैं, एक महत्वपूर्ण अंतराल $1 < m_A < 15$ GeV के मध्यवर्ती द्रव्यमान रेंज में मौजूद था।

इस "सेमी-मर्ज्ड" द्रव्यमान शासन में, क्षय $H \to AA \to 4\gamma$ की गतिजता (kinematics) एक पुनर्गठन चुनौती प्रस्तुत करती है। एक $A$ बोसॉन दो अलग-अलग फोटॉन में क्षय होता है, जबकि दूसरा $A$ बोसॉन फोटॉन के ऐसे युग्म में क्षय होता है जो या तो इलेक्ट्रोमैग्नेटिक कैलोरीमीटर (ECAL) के भीतर भौतिक रूप से मर्ज (merged) हो गए हैं या जहाँ द्वितीयक फोटॉन मानक पुनर्गठन सीमा ( $p_T > 10$ GeV) से नीचे गिर गया है। फलस्वरूप, अंतिम अवस्था तीन फोटॉन जैसी वस्तुओं के रूप में दिखाई देती है: दो रिज़ॉल्व्ड फोटॉन और एक "मर्ज्ड" फोटॉन उम्मीदवार। पारंपरिक इनवेरिएंट मास पुनर्गठन मानक ऑब्जेक्ट काइनेमैटिक्स का उपयोग करके मर्ज किए गए लेग (leg) के लिए असंभव है, जिसके लिए पैरेंट $A$ कण के द्रव्यमान को सीधे कैलोरीमीटर ऊर्जा जमा पैटर्न से अनुमान लगाने के लिए एक नवीन दृष्टिकोण की आवश्यकता है।

कार्यप्रणाली
यह विश्लेषण CMS प्रयोग द्वारा $\sqrt{s} = 13$ TeV पर एकत्र किए गए प्रोटॉन-प्रोटॉन टक्कर डेटा का उपयोग करता है, जो 138 fb $^{-1}$ (2016–2018) के एकीकृत ल्यूमिनोसिटी (integrated luminosity) के अनुरूप है।

इवेंट चयन (Event Selection): घटनाओं को एक डिपोटॉन सिस्टम पर ट्रिगर किया जाता है जिसका इनवेरिएंट मास $> 55$ GeV है। चयन के लिए ECAL के बैरल क्षेत्र ( $|\eta| < 1.44$ ) में ठीक तीन पुनर्गठित फोटॉन उम्मीदवारों की आवश्यकता होती है। दो उच्चतम- $p_T$ वाले फोटॉन को क्रमशः $p_T > 30$ GeV और $18$ GeV का पालन करना चाहिए। ट्रिपोटॉन इनवेरिएंट मास ( $m_{\Gamma\Gamma\Gamma}$ ) को $90 < m_{\Gamma\Gamma\Gamma} < 180$ GeV की विंडो में सीमित किया गया है ताकि हिग्स बोसॉन सिग्नल को शामिल किया जा सके।
टोपोलॉजी वर्गीकरण (Topology Classification): तीन फोटॉन को दो उम्मीदवारों में समूहित किया जाता है: एक "रिज़ॉल्व्ड" उम्मीदवार ( $A_2$ ) जो दो निकटतम फोटॉन से बना है, और एक "मर्ज्ड" उम्मीदवार ( $A_1$ ) जो तीसरे फोटॉन से बना है।
ग्राफ न्यूरल नेटवर्क (GNN) के माध्यम से मास रिग्रेशन: मर्ज किए गए उम्मीदवार ( $m_{A1}$ $m_{A 1}$ ) के द्रव्यमान को पुनर्गठित करने के लिए, यह विश्लेषण एक एंड-टू-एंड डीप लर्निंग तकनीक का उपयोग करता है। कनवल्शनल न्यूरल नेटवर्क (CNN) के पिछले दृष्टिकोणों के विपरीत, यह विश्लेषण एक ग्राफ न्यूरल नेटवर्क (विशेष रूप से एक डायनेमिक रिडक्शन नेटवर्क) का उपयोग करता है।
- इनपुट: इनपुट में मर्ज किए गए उम्मीदवार के सीड क्रिस्टल (seed crystal) के आसपास के ECAL क्रिस्टल ऊर्जा जमा का $128 \times 128$ मैट्रिक्स शामिल है। इनपुट फीचर्स में ट्रांसवर्स ( $E_T$ ) और लोंगिट्यूडिनल ( $E_z$ ) ऊर्जा घटक, साथ ही क्रिस्टल स्थिति निर्देशांक ( $x, y, z$ ) शामिल हैं।
- आर्किटेक्चर: नेटवर्क Learned फीचर स्पेस के आधार पर डायनेमिक रूप से ग्राफ बनाने के लिए EdgeConv मॉड्यूल का उपयोग करता है, जो क्रिस्टल जमा की अनियंत्रित प्रकृति को संभालने के लिए परम्यूटेशन इनवेरिएंस (permutation invariance) का उपयोग करता है। रेसिडुअल कनेक्शन और पूलिंग लेयर्स ग्राफ के आकार को धीरे-धीरे एक एकल आउटपुट नोड तक कम करती हैं जो द्रव्यमान की भविष्यवाणी करता है।
- प्रशिक्षण और अंशांकन (Training and Calibration): मॉडल को द्रव्यमान और $p_T$ में फ्लैट वितरण वाले सिम्युलेटेड $A \to \gamma\gamma$ नमूनों पर प्रशिक्षित किया जाता है। बाउंड्री प्रभावों को संभालने और बैकग्राउंड (सिंगल फोटॉन) से सिग्नल को अलग करने के लिए, प्रशिक्षण सेट में सिंगल-फोटॉन नमूने शामिल हैं जिन्हें नकारात्मक लक्ष्य द्रव्यमान ("डोमेन कंटीन्यूएशन") सौंपा गया है। रिग्रेशन रिस्पॉन्स को $Z \to e^+e^-$ घटनाओं का उपयोग करके कैलिब्रेट किया जाता है, जहाँ इलेक्ट्रॉन मर्ज किए गए फोटॉन शॉवर के प्रॉक्सी के रूप में कार्य करते हैं, और डेटा और सिमुलेशन के बीच स्केल और रेजोल्यूशन अंतर के लिए सुधार लागू किए जाते हैं।
सिग्नल और बैकग्राउंड मॉडलिंग:
- सिग्नल: डिस्क्रीट मास पॉइंट्स ( $m_A = 1, 3, 5, 10, 15$ GeV) पर सिम्युलेटेड सिग्नल इवेंट्स से एक 2D टेम्पलेट ( $m_{A1}$ बनाम $m_{A2}$ ) बनाया जाता है। मध्यवर्ती द्रव्यमानों का इंटरपोलेशन किया जाता है।
- बैकग्राउंड: बैकग्राउंड मॉडल पूरी तरह से डेटा के साइडबैंड क्षेत्रों का उपयोग करके प्राप्त किया जाता है, जो $m_{\Gamma\Gamma\Gamma}$ और 2D मास प्लेन दोनों में उपयोग किए जाते हैं। सिग्नल क्षेत्र में बैकग्राउंड शेप का अनुमान लो और हाई $m_{\Gamma\Gamma\Gamma}$ साइडबैंड्स के लीनियर कॉम्बिनेशन का उपयोग करके लगाया जाता है, जिसे सिग्नल संदूषण से बचने के लिए 2D मास प्लेन के ऑफ-डायगोनल क्षेत्रों का उपयोग करके नॉर्मलाइज़ किया जाता है।

प्रमुख योगदान

नवीन पुनर्गठन तकनीक: यह पेपर CMS डिटेक्टर में सेमी-मर्ज्ड डिपोटॉन उम्मीदवारों के मास रिग्रेशन के लिए ग्राफ न्यूरल नेटवर्क के अनुप्रयोग को पेश करता है। यह दृष्टिकोण ECAL ऊर्जा जमा की पूर्ण ग्रैनुलैरिटी का लाभ उठाता है, जो रोटेशनल सिमेट्री और स्पार्स डेटा संरचनाओं को स्वाभाविक रूप से संभालने के कारण पारंपरिक CNN की तुलना में बेहतर प्रदर्शन करता है।
द्रव्यमान अंतराल को पाटना (Bridging the Mass Gap): यह विश्लेषण सफलतापूर्वक $1 < m_A < 15$ GeV द्रव्यमान रेंज को लक्षित करता है, जो पूरी तरह से रिज़ॉल्व्ड या पूरी तरह से मर्ज की गई टोपोलॉजी की सीमाओं के कारण पहले अप्राप्य थी।
डेटा-संचालित बैकग्राउंड अनुमान: यह विश्लेषण 2D साइडबैंड्स का उपयोग करते हुए एक मजबूत, पूरी तरह से डेटा-संचालित बैकग्राउंड अनुमान रणनीति नियोजित करता है, जो इस विशिष्ट टोपोलॉजी में सटीक रूप से मॉडल किए जाने में कठिन विशिष्ट QCD मल्टीजेट और $\gamma$ +जेट घटनाओं पर निर्भरता को कम करता है।

परिणाम
विश्लेषण में खोजे गए द्रव्यमान रेंज में स्टैंडर्ड मॉडल बैकग्राउंड अपेक्षा के ऊपर कोई सांख्यिकीय रूप से महत्वपूर्ण अतिरिक्त (excess) घटना नहीं मिली। इसके परिणामस्वरूप, 95% कॉन्फिडेंस लेवल (CL) पर उत्पादित हिग्स बोसॉन उत्पादन क्रॉस सेक्शन और ब्रांचिंग फ्रैक्शन, $\sigma(pp \to H) \times \mathcal{B}(H \to AA \to 4\gamma)$ पर ऊपरी सीमाएं (upper limits) निर्धारित की गई हैं।

सीमाएं (Limits): देखे गए ऊपरी सीमा मान $m_A = 1$ GeV पर 0.264 pb से लेकर $m_A = 15$ GeV पर 0.005 pb तक हैं।
तुलना: ये परिणाम $1–5$ GeV द्रव्यमान रेंज में अब तक के सबसे सख्त सीमाएँ हैं। विशेष रूप से, $m_A = 3$ GeV पर, देखा गया लिमिट पिछले ATLAS परिणामों की तुलना में लगभग 100 गुना अधिक सख्त है। संवेदनशीलता (sensitivity) सबसे कम द्रव्यमानों पर (पूरी तरह से मर्ज की गई टोपोलॉजी के प्रभुत्व के कारण) और उच्चतम द्रव्यमानों पर (कम इवेंट यील्ड और बड़े बैकग्राउंड अनिश्चितताओं के कारण) तुलनात्मक रूप से थोड़ी कम है, लेकिन सेमी-मर्ज्ड दृष्टिकोण पूरे स्पेक्ट्रम में निरंतर कवरेज प्रदान करता है।

महत्व
पेपर का दावा है कि यह खोज $m_A = 1–15$ GeV रेंज में $H \to AA \to 4\gamma$ चैनल के लिए CMS प्रयोग से पहला माप प्रदान करती है। एक डीप लर्निंग-आधारित मास रिग्रेशन तकनीक विकसित और मान्य करके, यह विश्लेषण यह सिद्ध करता है कि उन टोपोलॉजी में एक्सोटिक हिग्स क्षय की जांच करना संभव है जहाँ मानक पुनर्गठन विफल हो जाता है। परिणाम हल्के स्यूडोस्केलर (pseudoscalars), जैसे कि टू-हिग्स-डबलेट मॉडल्स प्लस अ सिंगलेट (2HDM+S) और एक्सियन-लाइक पार्टिकल उत्पादन परिदृश्यों वाले BSM मॉडल्स को महत्वपूर्ण रूप से बाधित (constrain) करते हैं, विशेष रूप से कम द्रव्यमान क्षेत्र में जहाँ पिछले सीमाएं कमजोर थीं। यह कार्य उच्च-ऊर्जा भौतिकी में सेमी-मर्ज्ड सिग्नेचर की खोज के लिए एक नया बेंचमार्क स्थापित करता है।

इसी तरह के और पेपर