⚛️ high-energy experiments

Search for anomalies in vector-boson fusion production of the Higgs boson in $H(\rightarrow \gamma\gamma) jj$ events using 164 fb $^{-1}$ of $pp$ collision data collected at $\sqrt{s}=13.6$ TeV with the ATLAS detector

ATLAS डिटेक्टर द्वारा एकत्र किए गए 13.6 TeV प्रोटॉन-प्रोटॉन टकराव के 164 fb⁻¹ डेटा का उपयोग करते हुए, यह अध्ययन वेक्टर-बोसान फ्यूजन घटनाओं में पोलराइज्ड वेक्टर बोसोन्स के साथ हिग्स बोसॉन की अंतःक्रियाओं की जांच करने और CP-विषम (CP-odd) कपलिंग को सीमित करने के लिए मैट्रिक्स एलिमेंट-आधारित अवलोकनों और कोणीय वितरणों का उपयोग करता है, जो एक नए न्यूरल नेटवर्क वर्गीकरण एल्गोरिदम के माध्यम से बेहतर संवेदनशीलता प्राप्त करते हुए मानक मॉडल (Standard Model) के भविष्यवाणियों की पुष्टि करता है।

मूल लेखक: ATLAS Collaboration

प्रकाशित 2026-03-23

📖 7 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 ब्रह्मांड एक विशाल, उच्च-दांव वाला डांस फ्लोर है। दशकों से, भौतिक विज्ञानी इस फ्लोर के सबसे महत्वपूर्ण डांसर के कदमों को समझने की कोशिश कर रहे हैं: हिग्स बोसोन (Higgs boson)। यह कण विशेष है क्योंकि यह बाकी सब चीजों को द्रव्यमान (mass) देता है, जैसे कि एक ब्रह्मांडीय गोंद जो पूरे ब्रह्मांड को एक साथ थामे हुए है।

2012 में, लार्ज हैड्रॉन कोलाइडर (LHC) के वैज्ञानिकों ने अंततः इस डांसर को खोज लिया। लेकिन अब, वे केवल यह नहीं देख रहे हैं कि क्या वह वहां है; वे यह देख रहे हैं कि वह कैसे मूव करता है ताकि यह देखा जा सके कि क्या वह "स्टैंडर्ड मॉडल" (ब्रह्मांड की नियम पुस्तिका) द्वारा लिखी गई कोरियोग्राफी का पालन कर रहा है या वह नए, अज्ञात कदमों के साथ इम्प्रोवाइज़ेशन (improvising) कर रहा है।

ATLAS सहयोग का यह शोध पत्र उस डांस फ्लोर की एक हाई-डेफिनिशन सुरक्षा कैमरे की रिकॉर्डिंग की तरह है, जो विशेष रूप से एक बहुत ही दुर्लभ और पेचीदा डांस मूव पर ध्यान केंद्रित करता है जिसे वेक्टर बोसोन फ्यूजन (Vector Boson Fusion - VBF) कहा जाता है।

यहाँ उन्होंने क्या किया, इसका सरल विवरण दिया गया है:

1. सेटअप: एक तूफान में भूत को पकड़ना

हिग्स बोसोन शर्मीला है। यह एक पल के लिए दिखाई देता है और फिर गायब हो जाता है, आमतौर पर अन्य कणों में बदल जाता है। इस अध्ययन में, वैज्ञानिक एक विशिष्ट परिदृश्य की तलाश कर रहे थे:

दो प्रोटॉन आपस में टकराते हैं।
वे बल-वाहक कणों (जैसे $W$ या $Z$ बोसोन) का आदान-प्रदान करते हैं जो हिग्स बनाने के लिए आपस में जुड़ (fuse) जाते हैं।
हिग्स तुरंत दो फोटॉन (प्रकाश के कण) और दो जेट्स (कणों के स्प्रे) में टूट जाता है।

उपमा: कल्पना कीजिए कि पटाखों से भरे स्टेडियम में एक विशिष्ट जुगनू को खोजने की कोशिश करना। "दो जेट्स" पटाखों द्वारा छोड़े गए धुएं के निशानों की तरह हैं, और "दो फोटॉन" जुगनू की चमकदार चमक की तरह हैं। वैज्ञानिकों को उस एक विशिष्ट जुगनू को खोजने के लिए अरबों अन्य पटाखों को छानना पड़ा। उन्होंने 164 "इनवर्स फाइबोटर्न" (inverse femtobarns) डेटा का विश्लेषण किया—यह डेटा की एक विशाल मात्रा है, जो कई वर्षों तक लगातार स्टेडियम देखने के बराबर है।

2. दो जांचें

टीम ने इस डेटा पर दो अलग-अलग "परीक्षण" चलाए यह देखने के लिए कि क्या हिग्स सामान्य व्यवहार कर रहा है।

परीक्षण A: मिरर टेस्ट (CP Violation)

प्रश्न: क्या हिग्स दर्पण (mirror) में एक जैसा दिखता है?
अवधारणा: भौतिकी में, एक नियम है जिसे CP सिमेट्री कहा जाता है। यदि आप कणों को उनके एंटी-पार्टिकल्स (Charge) के साथ बदलते हैं और उन्हें दर्पण (Parity) में देखते हैं, तो भौतिकी के नियम समान रहने चाहिए।
रूपक: कल्पना कीजिए कि एक डांसर घूम रहा है। यदि आप उन्हें दर्पण में देखते हैं, तो उन्हें उसी तरह घूमना चाहिए। यदि हिग्स "CP-ओड" (CP-odd) है, तो यह एक ऐसे डांसर की तरह है जो वास्तविक जीवन में घड़ी की दिशा (clockwise) में घूमता है लेकिन दर्पण में घड़ी की विपरीत दिशा (counter-clockwise) में घूमता है। यह एक बड़ी बात होगी क्योंकि यह समझा सकता है कि ब्रह्मांड पदार्थ (matter) के बजाय एंटी-मैटर (antimatter) से क्यों बना है।
उपकरण: उन्होंने एक "न्यूरल नेटवर्क" (एक प्रकार का AI) का उपयोग किया जो एक सुपर-जासूस की तरह काम करता है। इस AI ने कणों के कोणों और गति का विश्लेषण किया और एक "ऑप्टिमल ऑब्जर्वेबल" (Optimal Observable) की गणना की। इसे एक "संदेह मीटर" (suspicion meter) के रूप में सोचें। यदि मीटर शून्य पढ़ता है, तो हिग्स सामान्य व्यवहार कर रहा है। यदि यह सकारात्मक या नकारात्मक पढ़ता है, तो हिग्स दर्पण के नियम को तोड़ सकता है।
परिणाम: मीटर ने शून्य पढ़ा। हिग्स एक अच्छा दर्पण-छवि वाला डांसर है। यहाँ कोई नई भौतिकी नहीं मिली, लेकिन यह नियमों की एक बहुत ही सटीक पुष्टि है।

परीक्षण B: स्पिन टेस्ट (Polarization)

प्रश्न: हिग्स अपने डांस पार्टनर्स को कैसे पकड़ता है?
अवधारणा: जिन कणों के साथ हिग्स जुड़ता है ( $W$ और $Z$ बोसोन), वे विभिन्न तरीकों से कंपन कर सकते हैं, जिन्हें पोलराइजेशन (polarizations) कहा जाता है। वे "लोंगिट्यूडिनल" (लंबाई के अनुदिश - जैसे एक स्लिंकी का खिंचना और सिकुड़ना) या "ट्रांसवर्स" (चौड़ाई के अनुदिश - जैसे एक रस्सी का अगल-बगल हिलना) रूप में कंपन कर सकते हैं।
रूपक: कल्पना कीजिए कि हिग्स एक हाथ मिलाना (handshake) है। क्या वह अपने पार्टनर के साथ मजबूती से हाथ मिलाता है जो बाहर की ओर खिंच रहा है (longitudinal) या एक ऐसे पार्टनर के साथ जो अगल-बगल हिल रहा है (transverse)? स्टैंडर्ड मॉडल इन हैंडशेक्स के एक बहुत ही विशिष्ट अनुपात की भविष्यवाणी करता है।
उपकरण: उन्होंने दो जेट्स के बीच के कोण को देखा (धुएं के निशान)। यह कोण बदल जाता है, यह इस पर निर्भर करता है कि हिग्स ने अपने पार्टनर्स को कैसे पकड़ा था।
परिgetResult: हैंडशेक का अनुपात भविष्यवाणी के साथ पूरी तरह मेल खाता है। हिग्स बिल्कुल वैसे ही हाथ मिला रहा है जैसा कि नियम पुस्तिका कहती है।

3. गुप्त हथियार: AI और "फास्ट फॉरवर्ड"

यह शोध पत्र दो तकनीकी कारणों से विशेष है जिसने परिणामों को बहुत सटीक बनाया:

AI क्लासिफायर: अतीत में, वैज्ञानिक "अच्छे" इवेंट्स को "बुरे" बैकग्राउंड शोर से अलग करने के लिए सरल नियमों का उपयोग करते थे। यहाँ, उन्होंने एक न्यूरल नेटवर्क (डीप लर्निंग AI) का उपयोग किया जिसे लाखों सिम्युलेटेड इवेंट्स पर प्रशिक्षित किया गया था। यह एक मानव सुरक्षा गार्ड से अपग्रेड करने जैसा है जिसके पास एक चेकलिस्ट है, एक चेहरे की पहचान करने वाली प्रणाली (facial recognition system) में जो दस लाख लोगों की भीड़ में संदिग्ध को तुरंत पहचान सकती है। इसने सिग्नल को बहुत स्पष्ट बना दिया।
फास्ट सिमुलेशन (AF3): आमतौर पर, कणों के डिटेक्टर से टकराने का सिमुलेशन करने में बहुत समय लगता है (जैसे एक मूवी फ्रेम दर फ्रेम रेंडर करना)। इस टीम ने AtlFast3 नामक एक नए टूल का उपयोग किया, जो AI का उपयोग करके कण टकराव के परिणाम का 99% सटीकता के साथ "अनुमान" लगाता है लेकिन 150 गुना तेज़ है। यह एक जंगल का मानचित्र बनाने के लिए हर पेड़ के पास जाने के बजाय एक हाई-स्पीड ड्रोन का उपयोग करने जैसा है। इसने उन्हें पहले से कहीं अधिक डेटा प्रोसेस करने की अनुमति दी।

4. भव्य निष्कर्ष

इस नए डेटा को पिछले वर्षों के पुराने डेटा के साथ मिलाने के बाद, वैज्ञानिकों ने पाया:

हिग्स बोसोन बिल्कुल वैसा ही है जैसा हमने सोचा था। यह स्टैंडर्ड मॉडल के नियमों का पूरी तरह से पालन करता है।
यह दर्पण के नियम को नहीं तोड़ता (कोई CP violation नहीं)।
यह अपने सही पार्टनर्स के साथ सही तरीके से हाथ मिलाता है (सही पोलराइजेशन)।

यदि उन्हें कुछ भी नया नहीं मिला, तो यह क्यों मायने रखता है?
विज्ञान में, यह साबित करना कि "ज्ञात" अभी भी सत्य है, "अज्ञात" खोजने जितना ही महत्वपूर्ण है। नियमों को कड़ा करके और यह दिखाकर कि हिग्स बिल्कुल अनुमान के अनुसार व्यवहार करता है, उन्होंने कई जंगली सिद्धांतों (wild theories) के दरवाजे बंद कर दिए हैं कि ब्रह्मांड क्या हो सकता है। उन्होंने स्टैंडर्ड मॉडल के चारों ओर एक बहुत ही सटीक घेरा खींच दिया है।

यदि "नई भौतिकी" (New Physics) कहीं छिपी हुई है, तो उसे छिपने में बहुत माहिर होना होगा, क्योंकि हिग्स कोई रहस्य उजागर नहीं कर रहा है। खोज जारी है, लेकिन अब हम जानते हैं कि हिग्स वास्तव में एक बहुत ही अनुशासित डांसर है।

यहाँ ATLAS सहयोग के शोध पत्र "164 fb $^{-1}$ के $pp $कोलिजन डेटा का उपयोग करते हुए$ \sqrt{s}= 13.6$ TeV पर $H(\to\gamma\gamma) jj$ घटनाओं में वेक्टर-बोसॉन फ्यूजन उत्पादन में हिग्स बोसोन में विसंगतियों की खोज" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या और प्रेरणा

कण भौतिकी का मानक मॉडल (Standard Model - SM) हिग्स बोसोन के गुणों की सफलतापूर्वक भविष्यवाणी करता है, फिर भी यह ब्रह्मांड में पदार्थ-प्रतिपदार्थ (matter-antimatter) विषमता के उद्गम जैसे मौलिक प्रश्नों को अनुत्तरित छोड़ देता है। यह 'स्टैंडर्ड मॉडल से परे भौतिकी' (Beyond the Standard Model - BSM) की खोज को प्रेरित करता है।

CP उल्लंघन (CP Violation): SM में ज्ञात CP उल्लंघन के स्रोत ब्रह्मांड में देखी गई बेरियन विषमता (baryon asymmetry) की व्याख्या करने के लिए अपर्याप्त हैं। वेक्टर बोसनों के साथ हिग्स बोसोन का युग्मन ($HVV$) नए CP-उल्लंघनकारी अंतःक्रियाओं के लिए एक संवेदनशील जांच है।
ध्रुवीकरण निर्भरता (Polarization Dependence): SM में, हिग्स बोसोन उच्च ऊर्जा पर प्रकीर्णन आयामों (scattering amplitudes) को सुसंगत बनाने के लिए अनुदैर्ध्य (longitudinally) ध्रुवीकृत वेक्टर बोसनों के साथ युग्मित होता है। अनुदैर्ध्य ( $L$ ) बनाम अनुप्रस्थ ( $T$ ) ध्रुवीकरण के बीच युग्मन शक्ति में विचलन यह संकेत दे सकता है कि हिग्स एक सम्मिश्र (composite) कण है या कोई नई भौतिकी मौजूद है।
चैनल चयन: $H \to \gamma\gamma$ क्षय चैनल एक उत्कृष्ट द्रव्यमान रिज़ॉल्यूशन के साथ एक स्वच्छ प्रयोगात्मक सिग्नेचर प्रदान करता है। हालांकि इसकी ब्रांचिंग रेशियो कम है, लेकिन वेक्टर बोसॉन फ्यूजन (VBF) उत्पादन मोड विशिष्ट गतिकीय विशेषताएं (दो फॉरवर्ड जेट्स) प्रदान करता है जो प्रभावी बैकग्राउंड दमन और $HVV$ वर्टेक्स संरचना तक पहुँचने की अनुमति देता है।

2. कार्यप्रणाली और विश्लेषण रणनीति

डेटा और सिमुलेशन

डेटासेट: यह विश्लेषण 2022 और 2024 के बीच $\sqrt{s} = 13.6$ TeV पर ATLAS डिटेक्टर द्वारा एकत्र किए गए प्रोटॉन-प्रोटॉन कोलिजन डेटा का उपयोग करता है, जो 164 fb $^{-1}$ की एकीकृत ल्यूमिनोसिटी (integrated luminosity) के बराबर है।
सिमुलेशन: एक महत्वपूर्ण पद्धतिगत प्रगति विशेष रूप से AtlFast3 (AF3) का उपयोग है, जो कैलोरीमीटर रिस्पॉन्स के लिए पैरामीटराइज्ड दृष्टिकोणों और मशीन लर्निंग को संयोजित करने वाला एक फास्ट सिमुलेशन टूल है। यह सभी मोंटे कार्लो (MC) नमूनों के लिए पारंपरिक Geant4 सिमुलेशन को प्रतिस्थापित करता है, जिससे सटीकता बनाए रखते हुए गति में ~150 गुना वृद्धि होती है।
सिग्नल मॉडलिंग: VBF $H \to \gamma\gamma$ $H \to γ γ$ घटनाओं को MadGraph5_aMC@NLO का उपयोग करके सिम्युलेट किया गया है।
- CP अध्ययन: CP-विषम युग्मन को विल्सन गुणांक $c_{H\tilde{W}}$ के माध्यम से पैरामीटराइज करने के लिए SMEFT फ्रेमवर्क (Warsaw basis) का उपयोग करता है।
- ध्रुवीकरण अध्ययन: अनुदैर्ध्य ( $L$ ) और अनुप्रस्थ ( $T$ ) ध्रुवीकरणों के लिए युग्मन-शक्ति स्केल फैक्टर्स $a_L$ और $a_T$ का उपयोग करता है।
बैकग्राउंड मॉडलिंग:
- अनुनादी (Resonant): अन्य हिग्स उत्पादन मोड (ggF, $VH$, $t\bar{t}H$ ) को Powheg/Herwig के साथ मॉडल किया गया है।
- गैर-अनुनादी (Non-resonant): निरंतर $\gamma\gamma$ +jets और गलत पहचान वाले जेट्स ( $\gamma j$ , $jj$)। इनका अनुमान एक नवीन डेटा-ड्रिवन फ्लो-मैचिंग विधि (Normalizing Flows पर आधारित) का उपयोग करके लगाया जाता है, जिसे साइडबैंड डेटा ( $m_{\gamma\gamma} \le 120$ GeV या $> 130$ GeV) पर प्रशिक्षित किया गया है ताकि उच्च-सांख्यिकीय बैकग्राउंड नमूने उत्पन्न किए जा सकें जो उच्च-आयामी सहसंबंधों को सटीक रूप से दर्शाते हैं।

इवेंट चयन और वर्गीकरण

पुनर्निर्माण (Reconstruction): घटनाओं के लिए दो उच्च- $p_T$ फोटॉन ( $E_T > 25$ GeV) और कम से कम दो जेट्स ( $p_T > 30$ GeV) की आवश्यकता होती है।
VBF टोपोलॉजी: चयनित घटनाओं में दो अग्रणी जेट्स के बीच एक बड़ा स्यूडो-रैपिडिटी गैप ( $|\Delta\eta_{jj}| > 2.0$ ) होना चाहिए और डैप फोटॉन सिस्टम केंद्रीय रूप से स्थित होना चाहिए (Zeppenfeld variable)।
न्यूरल नेटवर्क (NN) क्लासिफायर: VBF सिग्नल को प्रमुख बैकग्राउंड (ggF हिग्स और निरंतर $\gamma\gamma$ $γ γ$ ) से अलग करने के लिए एक मल्टी-क्लास न्यूरल नेटवर्क (PyTorch) का उपयोग किया जाता है।
- इनपुट: 16 विशेषताएं जिनमें जेट काइनेमैटिक्स, डैप फोटॉन काइनेमैटिक्स और कोणीय सहसंबंध शामिल हैं।
- आर्किटेक्चर: ड्रॉपआउट और लेयर नॉर्मलाइजेशन के साथ तीन हिडन लेयर्स (128, 64, 32 नोड्स)।
- प्रशिक्षण: गैर-अनुनादी बैकग्राउंड के लिए फ्लो-मैचिंग जनरेटेड सैंपल का उपयोग किया जाता है ताकि मजबूत प्रशिक्षण सुनिश्चित हो सके। एक दो-चरणीय क्रॉस-वैलिडेशन योजना पूर्वाग्रह (bias) को रोकती है।
- आउटपुट: घटनाओं को उनके NN स्कोर ( $D_{NN}$ ) के आधार पर "टाइट", "मीडियम" और "लूज" सिग्नल क्षेत्रों में वर्गीकृत किया जाता है।

अवलोकन योग्य (Observables)

CP उल्लंघन: SM और BSM एम्प्लीट्यूड के बीच इंटरफेरेंस टर्म से निर्मित ऑप्टिमल ऑब्जर्वेबल (OO) का उपयोग किया जाता है। OO का वितरण CP-सम (even) प्रक्रियाओं के लिए सममित होता है लेकिन CP-विषम (odd) योगदान के लिए शिफ्ट होता है।
ध्रुवीकरण: दो VBF-टैग्ड जेट्स के बीच पूर्ण अज़ीमुथल कोणीय अंतर ( $\Delta\Phi_{jj}$ ) का उपयोग किया जाता है, जो मध्यवर्ती वेक्टर बोसनों की ध्रुवीकरण अवस्था के प्रति अत्यधिक संवेदनशील है।

3. प्रमुख योगदान

AtlFast3 के साथ पहले ATLAS परिणाम: यह पहला ATLAS विश्लेषण है जो सभी सिग्नल और बैकग्राउंड MC नमूनों के लिए विशेष रूप से AF3 फास्ट सिमुलेशन पर निर्भर करता है, जो सटीक हिग्स भौतिकी के लिए इसकी व्यवहार्यता की पुष्टि करता है।
बैकग्राउंड के लिए फ्लो-मैचिंग: जटिल टोपोलॉजी को मॉडल करने में मानक MC की सीमाओं को पार करने के लिए उच्च-सांख्यिकीय, डेटा-ड्रिवन गैर-अनुनादी बैकग्राउंड नमूने उत्पन्न करने के लिए एक फ्लो-मैचिंग एल्गोरिदम का परिचय।
$H \to \gamma\gamma$ VBF में पहली ध्रुवीकरण माप: यह अध्ययन डैपोटोन VBF चैनल में ध्रुवीकरण-निर्भर युग्मन स्केल फैक्टर्स ( $a_L, a_T$ ) का पहला निर्धारण प्रदान करता है, जो एक ऐसा चैनल है जो अन्य क्षय मोड (जैसे $H \to WW$ ) में बैकग्राउंड मॉडलिंग द्वारा सीमित था।
Run-3 डेटा: $\sqrt{s}= 13.6$ TeV पर पहले पूर्ण Run-3 डेटासेट का उपयोग, जो Run-2 की तुलना में बढ़ी हुई सांख्यिकी और बेहतर काइनेमैटिक पहुंच प्रदान करता है।

4. परिणाम

CP उल्लंघन बाधाएं (Constraints)

विश्लेषण विल्सन गुणांक $c_{H\tilde{W}}$ को प्रतिबंधित करता है (यह मानते हुए कि एक नया भौतिकी स्केल $\Lambda = 1$ TeV है)।
Run-3 परिणाम: प्रेक्षित 95% कॉन्फिडेंस लेवल (CL) अंतराल $[-0.35, 0.88]$ है।
संयोजन (Combination): Run-3 को पिछले Run-2 ( $\sqrt{s}=13$ TeV, 140 fb $^{-1}$ ) विश्लेषण के साथ जोड़ने पर 95% CL अंतराल $[-0.23, 0.75]$ प्राप्त होता है।
सुधार: संयोजन परिणाम अकेले Run-2 परिणाम की तुलना में संवेदनशीलता में 50% सुधार दर्शाता है। केवल Run-3 विश्लेषण 38% सुधार दिखाता है, जिसमें से 29% नए NN-आधारित वर्गीकरण और फ्लो-मैचिंग तकनीकों के कारण है।
सभी परिणाम CP-सम हिग्स बोसोन ( $c_{H\tilde{W}} = 0$ ) के SM पूर्वानुमान के अनुरूप हैं।

ध्रुवीकरण-निर्भर युग्मन

स्केल फैक्टर्स $a_L$ (अनुदैर्ध्य) और $a_T$ (अनुप्रस्थ) पर बाधाएं लगाई गई हैं।
शेप-ओनली फिट्स (Shape-only fits): $a_L \in [0.84, 2.02]$ और $a_T \in [0.50, 1.20]$ (95% CL)।
शेप + रेट फिट्स (Shape + Rate fits): बाधाएं काफी सख्त होकर $a_L \in [0.93, 1.17]$ और $a_T \in [0.70, 1.14]$ (95% CL) हो जाती हैं।
महत्व: ये माप पिछले $H \to WW^*$ मापों की तुलना में एक बड़ा सुधार हैं, जो 95% CL अंतरालों की चौड़ाई को तीन गुना से अधिक कम कर देते हैं। परिणाम $a_L = a_T = 1$ की SM अपेक्षा के अनुरूप हैं।

5. महत्व

यह शोध पत्र LHC में हिग्स बोसोन लक्षण वर्णन (characterization) में एक महत्वपूर्ण मील का पत्थर है:

फास्ट सिमुलेशन का सत्यापन: यह प्रदर्शित करता है कि सटीक मापन के लिए सटीकता से समझौता किए बिना फास्ट सिमुलेशन टूल (AF3) का उपयोग किया जा सकता है, जो उच्च-ल्यूमिनोसिटी चरण के लिए अत्यंत महत्वपूर्ण है जहाँ पूर्ण Geant4 सिमुलेशन कम्प्यूटेशनल रूप से अत्यधिक कठिन हो जाता है।
उन्नत मशीन लर्निंग: जटिल बैकग्राउंड को संभालने के लिए बैकग्राउंड जनरेशन के लिए फ्लो-मैचिंग और सिग्नल वर्गीकरण के लिए डीप न्यूरल नेटवर्क का सफल एकीकरण दुर्लभ क्षय चैनलों में जटिल बैकग्राउंड को संभालने के लिए एक नया मानक स्थापित करता है।
BSM संवेदनशीलता: ये परिणाम VBF चैनल में CP-उल्लंघनकारी $HVV$ युग्मों और ध्रुवीकरण-निर्भर युग्मों पर अब तक के सबसे कड़े प्रतिबंध प्रदान करते हैं, जो इन विशिष्ट क्षेत्रों में SM से बड़े विचलन को प्रभावी ढंग से खारिज करते हैं।
भविष्य की संभावनाएं: यहाँ विकसित पद्धति भविष्य के Run-3 और हाई-ल्यूमिनोसिटी LHC विश्लेषणों के लिए सीधे तौर पर लागू की जा सकती है, जिससे हिग्स सेक्टर को नई भौतिकी के प्रवेश द्वार के रूप में अधिक सटीक परीक्षण करने में मदद मिलेगी।