⚛️ high-energy experiments

Search for direct pair production of top squarks in $pp$ collisions at $\sqrt{s}= 13$ TeV and $13.6$ TeV in events with two oppositely charged leptons using the ATLAS detector

ATLAS डिटेक्टर के पूर्ण रन 2 और प्रारंभिक रन 3 डेटासेट का उपयोग करते हुए, यह अध्ययन दो विपरीत आवेशित लीप्टॉन, $b$ -जेट्स और लुप्त अनुप्रस्थ संवेग (missing transverse momentum) वाले आयोजनों में प्रत्यक्ष टॉप स्क्वार्क युग्म उत्पादन की खोज करता है, जिसमें मानक मॉडल के अनुमानों से कोई महत्वपूर्ण अधिकता नहीं पाई गई और टॉप स्क्वार्क के लिए 1060 GeV तक तथा न्यूट्रालिनो के लिए 560 GeV तक बेहतर 95% विश्वास स्तर (confidence level) द्रव्यमान सीमाएँ निर्धारित की गई हैं।

मूल लेखक: ATLAS Collaboration

प्रकाशित 2026-03-18

📖 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

कल्पना कीजिए कि लार्ज हैड्रॉन कोलाइडर (LHC) दुनिया की सबसे शक्तिशाली टक्कर मारने वाली मशीन (smashing machine) है। यह दो सूक्ष्म कणों (प्रोटॉन) को लगभग प्रकाश की गति से आपस में टकराता है, जिससे ऊर्जा का एक अराजक विस्फोट होता है। आमतौर पर, यह विस्फोट उन कणों को पैदा करता है जिन्हें हम जानते हैं और समझते हैं, जैसे कि ब्रह्मांड के निर्माण खंड (स्टैंडर्ड मॉडल)।

लेकिन भौतिकविदों को संदेह है कि इस मलबे में अदृश्य "भूत" छिपे हुए हैं—वे कण जो सुपरसिमेट्री (SUSY) नामक एक सिद्धांत से संबंधित हैं। इनमें से एक सबसे महत्वपूर्ण भूत जिसे वे खोज रहे हैं, वह है टॉप स्क्वार्क (Top Squark) या (स्टॉप)। इस टॉप स्क्वार्क को सबसे भारी ज्ञात कण, 'टॉप क्वार्क' के "परछाईं जुड़वां" (shadow twin) के रूप में सोचें। यदि ये जुड़वां मौजूद हैं, तो वे समझा सकते हैं कि ब्रह्मांड में द्रव्यमान (mass) क्यों है और गुरुत्वाकर्षण अन्य बलों की तुलना में इतना कमजोर क्यों है।

यह शोध पत्र ATLAS प्रयोग की रिपोर्ट कार्ड है, जो एक विशाल डिटेक्टर है जो टक्कर क्षेत्र के चारों ओर 360-डिग्री सुरक्षा कैमरे की तरह कार्य करता है। यहाँ बताया गया है कि उन्होंने क्या किया, सरल शब्दों में:

1. खोज: भूतों को पकड़ना

वैज्ञानिक एक बहुत ही विशिष्ट परिदृश्य की तलाश कर रहे हैं:

सेटअप: टक्कर में दो टॉप स्क्वार्क उत्पन्न होते हैं।
क्षय (Decay): वे तुरंत टूट जाते हैं (क्षय होते हैं) एक नियमित टॉप क्वार्क और एक न्यूट्रालिनो (Neutralino) में।
भूत: न्यूट्रालिनो "सबसे हल्का सुपरसिमेट्रिक कण" (LSP) है। यह हमारे डिटेक्टरों के लिए अदृश्य है, जैसे कोई भूत जो दीवारों के आर-पार निकल जाता है। क्योंकि यह गायब हो जाता है, इसलिए यह ऊर्जा को अपने साथ ले जाता है, जिससे टक्कर के ऊर्जा संतुलन में एक "लापता" (missing) अंतर रह जाता है।
सुराग: चूंकि टॉप क्वार्क भी टूट जाते हैं, इसलिए वे पीछे मलबे का एक निशान छोड़ते हैं: दो आवेशित कण (जैसे इलेक्ट्रॉन या म्यूऑन, जो इलेक्ट्रॉनों के भारी चचेरे भाई हैं) और जेट्स (भारी क्वार्क्स से निकलने वाले कणों के फुहार)।

इसलिए, टीम एक ऐसी टक्कर की तलाश कर रही है जो पीछे छोड़ दे: दो आवेशित कण + कुछ भारी मलबा + एक बड़ा "लापता ऊर्जा" (missing energy) का छेद।

2. चुनौती: घास के ढेर में सुई ढूँढना

समस्या यह है कि स्टैंडर्ड मॉडल (ज्ञात भौतिकी) लगातार इसी तरह का दिखने वाला मलबा पैदा करता रहता है। यह अरबों साधारण सिक्कों के ढेर में एक विशिष्ट दुर्लभ सिक्के को खोजने जैसा है। सामान्य कण टकरावों से उत्पन्न होने वाला "बैकग्राउंड शोर" (background noise) अत्यधिक है।

इसे हल करने के लिए, ATLAS टीम ने केवल आवर्धक लेंस (magnifying glass) का उपयोग नहीं किया; उन्होंने एक अति-बुद्धिमान AI जासूस बनाया।

3. नया उपकरण: AI जासूस

इस शोध पत्र में, वैज्ञानिकों ने मशीन लर्निंग (विशेष रूप से न्यूरल नेटवर्क) का उपयोग एक फिल्टर के रूप में किया।

प्रशिक्षण (Training): उन्होंने AI को लाखों सिम्युलेटेड (कृत्रिम) टक्करों को खिलाया। कुछ "सामान्य" बैकग्राउंड शोर थे, और कुछ "सिग्नल" (टॉप स्क्वार्क भूत) थे।
सबक: AI ने उन सूक्ष्म पैटर्न को पहचानना सीखा जिन्हें मानवीय आँखें मिस कर सकती थीं। इसने कणों के कोण, गति और ऊर्जा स्तरों को देखा ताकि यह तय किया जा सके: "क्या यह एक उबाऊ सामान्य टक्कर है, या यह वह दुर्लभ भूत है जिसे हम खोज रहे हैं?"
परिणाम: यह AI पिछले तरीकों की तुलना में शोर से सिग्नल को अलग करने में बहुत बेहतर है, जिससे उन्हें पहले से कहीं अधिक गहराई से डेटा की जांच करने की अनुमति मिलती है।

4. डेटा: एक विशाल पुस्तकालय

उन्होंने केवल एक दिन के डेटा को नहीं देखा। उन्होंने संयोजित किया:

रन 2 संग्रह (2015–2018): 140 यूनिट डेटा (फेम्टोबार्न)।
रन 3 संग्रह (2022–2023): 53 यूनिट डेटा।
यह एक विशाल पुस्तकालय में हर किताब को पढ़ने जैसा है ताकि अदृश्य स्याही से लिखे गए एक एकल वाक्य को खोजा जा सके।

5. निर्णय: अभी तक कोई भूत नहीं मिला

इस पूरे डेटा पर अपने AI जासूस को चलाने के बाद, परिणाम निकला: कोई महत्वपूर्ण अतिरिक्त (excess) नहीं मिला।

उनके द्वारा देखे गए "भूत" घटनाओं की संख्या ठीक उतनी ही थी जितनी कि स्टैंडर्ड मॉडल ने सामान्य बैकग्राउंड शोर के लिए भविष्यवाणी की थी।
कोई रहस्यमय उछाल (spikes) नहीं मिले जो यह साबित करते कि टॉप स्क्वार्क मौजूद है।

6. राहत की बात: सीमा को आगे बढ़ाना

भले ही उन्हें टॉप स्क्वार्क नहीं मिला, लेकिन यह एक बड़ी सफलता है।

संभावनाओं को खारिज करना: क्योंकि उन्हें यह नहीं मिला, वे अब 95% विश्वास के साथ कह सकते हैं: "यदि टॉप स्क्वार्क मौजूद हैं, तो वे 1,060 GeV से भारी होने चाहिए।"
उपमा: कल्पना कीजिए कि आप एक झील में एक विशिष्ट प्रकार की मछली की तलाश कर रहे हैं। आपको वह नहीं मिलती। लेकिन बेहतर जाल (AI) का उपयोग करके और अधिक पानी (अधिक डेटा) की जांच करके, आप अब कह सकते हैं, "हमें यकीन है कि यह मछली उथले पानी या मध्य गहराई में नहीं है। यदि यह वहां है, तो इसे बहुत गहरे, अंधेरे गड्ढों में छिपना होगा।"
सुधार: उन्होंने पिछले खोजों की तुलना में "गहराई सीमा" (द्रव्यमान सीमा) को लगभग 10% बढ़ा दिया है। उन्होंने यह भी सिद्ध किया कि AI दृष्टिकोण भारी कणों के लिए भी अविश्वसनीय रूप से अच्छा काम करता है।

सारांश

ATLAS सहयोग ने एक विशाल डेटासेट और एक नए, स्मार्ट AI सिस्टम का उपयोग करके टॉप क्वार्क के "परछाईं जुड़वां" की तलाश की। उन्हें जुड़वां तो नहीं मिला, लेकिन उन्होंने इसके "हल्का" होने की संभावना को सफलतापूर्वक खारिज कर दिया। उन्होंने प्रभावी रूप से ब्रह्मांड को बता दिया है: "यदि आप इन कणों को छिपा रहे हैं, तो वे हमारी सोच से कहीं अधिक भारी और कठिन हैं।" यह भौतिकी में अगली बड़ी खोज के लिए मार्ग को संकुचित करता है।

यहाँ ATLAS सहयोग के शोध पत्र "दो विपरीत आवेशित लेप्टान वाले आयोजनों में $\sqrt{s}= 13$ TeV और 13.6 TeV पर $pp$ टकरावों में टॉप स्क्वार्क के प्रत्यक्ष युग्म उत्पादन की खोज" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या और भौतिकी प्रेरणा

यह शोध पत्र सुपरसिमेट्री (SUSY) की खोज को संबोधित करता है, जो विशेष रूप से टॉप स्क्वार्क ( $\tilde{t}_1$ ) के प्रत्यक्ष युग्म उत्पादन पर केंद्रित है, जो टॉप क्वार्क के स्केलर सुपरपार्टनर्स हैं।

सैद्धांतिक संदर्भ: मिनिमल सुपरसिमेट्रिक स्टैंडर्ड मॉडल (MSSM) में, टॉप स्क्वार्क सैद्धांतिक रूप से हिग्स बोसोन द्रव्यमान के बड़े क्वाड्रेटिक डायवर्जेंट लूप करेक्शन को रद्द करने के लिए प्रेरित होते हैं, जिससे पदानुक्रम समस्या (hierarchy problem) का समाधान होता है।
क्षय चैनल (Decay Channel): यह विश्लेषण क्षय श्रृंखला $\tilde{t}_1 \to t \tilde{\chi}^0_1$ को लक्षित करता है, जहाँ टॉप स्क्वार्क एक ऑन-शेल टॉप क्वार्क ( $t$ ) और सबसे हल्के न्यूट्रालिनो ( $\tilde{\chi}^0_1$ ) में क्षय होता है, जिसे स्थिर लाइटएस्ट सुपरसिमेट्रिक पार्टिकल (LSP) और डार्क मैटर का एक उम्मीदवार माना जाता है।
अंतिम अवस्था (Final State): टॉप क्वार्क आगे क्षय होते हैं ( $t \to Wb$ $t \to W b$ ), और $W$ $W$ बोसोन लीपटोनिक रूप से क्षय होते हैं। इसकी सिग्नेचर में निम्नलिखित शामिल हैं:
- दो विपरीत आवेशित लेप्टान ( $e$ या $\mu$ )।
- $b$ -जेट्स (टॉप क्षय से प्राप्त)।
- अनडिटेक्टेड न्यूट्रालिनोस के कारण बड़ी मिसिंग ट्रांसवर्स मोमेंटम ( $E_T^{miss}$ )।
चुनौती: यह चैनल भारी न्यूट्रालिनो वाले मॉडलों के प्रति संवेदनशील है लेकिन इसमें महत्वपूर्ण स्टैंडर्ड मॉडल (SM) बैकग्राउंड, मुख्य रूप से $t\bar{t}$ और $t\bar{t}Z$ उत्पादन से ग्रस्त है।

2. कार्यप्रणाली

डेटा और सिमुलेशन

डेटासेट: यह विश्लेषण पूर्ण LHC Run 2 डेटासेट (2015–2018, $\sqrt{s}=13$ TeV, 140 fb $^{-1}$ ) और प्रारंभिक LHC Run 3 डेटासेट (2022–2023, $\sqrt{s}=13.6$ TeV, 53 fb $^{-1}$ ) को जोड़ता है।
इवेंट सिलेक्शन:
- ट्रिगर्स: 20–26 GeV की $p_T$ थ्रेसहोल्ड वाले सिंगल-इलेक्ट्रॉन या सिंगल-म्यूऑन ट्रिगर्स।
- प्रीसेलेक्शन: आयोजनों में दो विपरीत-संकेत (opposite-sign) लेप्टान (लीडिंग के लिए $p_T > 27$ GeV, सबलीडिंग के लिए $>20$ GeV), कम से कम दो जेट (एक $b$ -टैग्ड), और लो-मास रेजोनेंस को अस्वीकार करने के लिए $m_{\ell\ell} > 20$ GeV होने चाहिए।
- काइनेमैटिक कट्स: सिग्नल रीजन के फेज स्पेस को प्रतिबंधित करने के लिए स्ट्रानट्रांसवर्स मास ( $m_{T2}^{\ell\ell}$ ) पर एक प्रीसेलेक्शन लागू किया जाता है, जिसके थ्रेसहोल्ड मास-स्प्लिटिंग श्रेणी के आधार पर भिन्न होते हैं (80–100 GeV)।

मशीन लर्निंग रणनीति

इस विश्लेषण का एक नवीन पहलू सिग्नल भेदभाव को बढ़ाने के लिए छह न्यूरल नेटवर्क (NNs) का उपयोग करना है:

वर्गीकरण (Categorization): सिग्नल मॉडलों को मास स्प्लिटिंग $\Delta m(\tilde{t}_1, \tilde{\chi}^0_1)$ के आधार पर तीन श्रेणियों में समूहबद्ध किया गया है: लो (200–300 GeV), मीडियम (300–500 GeV), और हाई ( $\ge$ 600 GeV)।
नेटवर्क आर्किटेक्चर: प्रत्येक श्रेणी के लिए दो NN प्रशिक्षित किए गए हैं (एक ठीक एक $b$ -जेट वाले आयोजनों के लिए, और एक $\ge$ दो $b$ -जेट्स वाले आयोजनों के लिए)।
इनपुट्स: NNs लेप्टान और जेट के काइनेमैटिक वेरिएबल्स ( $p_T, \eta, \phi$ ), $b$ -टैगिंग स्कोर, $E_T^{miss}$ और उसकी सिग्निफिकेंस, कोणीय पृथक्करण ( $\Delta\phi$ ), ट्रांसवर्स मास ( $m_T$ ), और वेरिएबल $p_T^{\ell\ell, \text{boost}}$ का उपयोग करते हैं।
प्रशिक्षण: नेटवर्क को प्रमुख बैकग्राउंड ( $t\bar{t}, t\bar{t}Z$ ) और सिग्नल मॉडलों के सिम्युलेटेड सैंपल्स का उपयोग करके Keras/TensorFlow पर प्रशिक्षित किया गया है। इसका आउटपुट एक सिग्नल स्कोर (0 से 1) है।

बैकग्राउंड एस्टीमेशन

डेटा-ड्रिवन नॉर्मलाइजेशन: प्रमुख बैकग्राउंड ( $t\bar{t}$ $t \overset{ˉ}{t}$ और $t\bar{t}Z$ $t \overset{ˉ}{t} Z$ ) को समर्पित कंट्रोल रीजन (CRs) में एक साथ प्रोफाइल लाइकलीहुड फिट का उपयोग करके नॉर्मलाइज किया जाता है।
- $t\bar{t}$ CRs: कम NN सिग्नल स्कोर और विशिष्ट $b$ -जेट मल्टीप्लिसिटी द्वारा परिभाषित।
- $t\bar{t}Z$ CR: अदृश्य $Z$ क्षय वाले $t\bar{t}Z$ आयोजनों को अलग करने के लिए एक अद्वितीय तीन-लेप्टान फाइनल स्टेट का उपयोग किया जाता है, जिसमें एक सुधारा गया $E_T^{miss, \text{corr}}$ वेरिएबल उपयोग किया जाता है।
वैलिडेशन: CRs और SRs से अलग वैलिडेशन रीजन (VRs) का उपयोग बैकग्राउंड मॉडलिंग को सत्यापित करने के लिए किया जाता है।
सिस्टमैटिक अनसर्टेंटीज़: प्रमुख अनसर्टेंटीज़ में जेट एनर्जी स्केल/रेसोल्यूशन (JES/JER), $b$ -टैगिंग एफिशिएंसी, थ्योरेटिकल मॉडलिंग (ISR/FSR), और ल्यूमिनोसिटी (Run 2 के लिए 0.83%, Run 3 के लिए 2%) शामिल हैं।

सिग्नल रीजन (SRs)

सिग्नल रीजन प्रीसेलेक्शन के अलावा NN सिग्नल स्कोर पर एक उच्च थ्रेसहोल्ड (जैसे, 1 $b$ -जेट के साथ Low- $\Delta m$ के लिए $>0.93$ ) लागू करके परिभाषित किए जाते हैं। विश्लेषण एक "बेस्ट-एक्सपेक्टेड" दृष्टिकोण का उपयोग करता है, जो प्रत्येक विशिष्ट मास पॉइंट के लिए उच्चतम संवेदनशीलता प्रदान करने वाली श्रेणी (Low/Medium/High) का चयन करता है।

3. प्रमुख योगदान

Run 3 एकीकरण: यह Run 3 डेटा (13.6 TeV) को शामिल करने वाले पहले ATLAS विश्लेषणों में से एक है, जो उच्च पाइल-अप और उच्च सेंटर-ऑफ-मास ऊर्जा पर डिटेक्टर के प्रदर्शन को प्रदर्शित करता है।
मशीन लर्निंग संवर्धन: श्रेणी-विशिष्ट न्यूरल नेटवर्क का कार्यान्वयन जटिल $t\bar{t}$ बैकग्राउंड और व्यापक काइनेमैटिक फेज स्पेस में SUSY सिग्नल के बीच अलगाव को महत्वपूर्ण रूप से सुधारता है।
बेहतर संवेदनशीलता: बढ़ी हुई ल्यूमिनोसिटी, Run 3 डेटा और ML तकनीकों का संयोजन पिछले Run 2-ओनली विश्लेषणों की तुलना में एक बेंचमार्क पॉइंट (1 TeV $\tilde{t}_1$ , 400 GeV $\tilde{\chi}^0_1$ ) के लिए अपेक्षित संवेदनशीलता में ~50% का सुधार प्रदान करता है।
व्यापक बैकग्राउंड कंट्रोल: $t\bar{t}Z$ के लिए एक समर्पित तीन-लेप्टान कंट्रोल रीजन और Run 2 एवं Run 3 के डेटासेटों के बीच एक मजबूत सिमल्टेनियस फिट का उपयोग सटीक बैकग्राउंड बाधाएं प्रदान करता है।

4. परिणाम

अवलोकन (Observation): किसी भी सिग्नल रीजन में स्टैंडर्ड मॉडल के अनुमान से आयोजनों का कोई महत्वपूर्ण अधिशेष (excess) नहीं देखा गया। डेटा अनसर्टेंटीज़ के भीतर SM अपेक्षाओं के अनुरूप है।
एक्सक्लूजन लिमिट्स (95% CL):
- मासलेस न्यूट्रालिनो: 1060 GeV तक के टॉप स्क्वार्क द्रव्यमान को वर्जित (exclude) किया गया है। यह पिछले ATLAS परिणामों (उसी चैनल में) की तुलना में लगभग 100 GeV (या ~10%) का सुधार है।
- मैसिव न्यूट्रालिनो: 900 GeV के टॉप स्क्वार्क द्रव्यमान के लिए, 560 GeV तक के न्यूट्रालिनो द्रव्यमान को वर्जित किया गया है।
मॉडल-इंडिपेंडेंट लिमिट्स: विभिन्न जेनेरिक न्यू फिजिक्स मॉडलों पर लागू होने वाले बाधाएं प्रदान करने के लिए विभिन्न डिस्कवरी SRs के लिए विज़िबल क्रॉस-सेक्शन ( $\sigma_{vis}$ ) पर ऊपरी सीमाएँ निर्धारित की गईं।

5. महत्व

यह विश्लेषण नेचुरल SUSY की खोज में एक महत्वपूर्ण कदम है। 1.06 TeV तक मास रीच का विस्तार करके, यह उन पैरामीटर स्पेस पर कड़े प्रतिबंध लगाता है जहाँ टॉप स्क्वार्क स्वाभाविक रूप से पदानुक्रम समस्या को हल कर सकते हैं। Run 3 डेटा और उन्नत मशीन लर्निंग तकनीकों का सफल एकीकरण ATLAS डिटेक्टर की उच्च द्रव्यमान स्केल और अधिक जटिल काइनेमैटिक परिदृश्यों को प्रोब करने की क्षमता को प्रदर्शित करता है। परिणाम सीधे ऑन-शेल टॉप और हल्के न्यूट्रालिनो में क्षय होने वाले हल्के टॉप स्क्वार्क के सरल परिदृश्यों को प्रभावी ढंग से खारिज करते हैं, जिससे SUSY खोजों की सीमा मल्टी-TeV रिजीम में पहुँच जाती है।