⚛️ phenomenology

Probing Freeze-In Dark Matter via a Spin-2 Portal at the LHC with Vector Boson Fusion and Machine Learning

यह शोधपत्र एक स्पिन-2 पोर्टल के माध्यम से उत्पादित क्षीण रूप से परस्पर क्रिया करने वाले डार्क मैटर की कोलाइडर घटना विज्ञान (collider phenomenology) की जांच करता है, जो यह प्रदर्शित करता है कि हाई-ल्यूमिनोसिटी एलएचसी (High-Luminosity LHC) पर मशीन लर्निंग-वर्धित खोजें वेक्टर बोसॉन फ्यूजन चैनलों के माध्यम से कॉस्मोलॉजिकल रूप से व्यवहार्य फ्रीज-इन पैरामीटर स्पेस की प्रभावी ढंग से जांच कर सकती हैं।

मूल लेखक: Junzhe Liu, Alfredo Gurrola

प्रकाशित 2026-04-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Junzhe Liu, Alfredo Gurrola

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

यहाँ एक शोध पत्र (paper) का विवरण दिया गया है, जिसे जटिल भौतिकी की शब्दावली से बदलकर एक ऐसी कहानी में अनुवादित किया गया है जिसे आप कॉफी पीते समय आसानी से समझ सकें।

सबसे बड़ा रहस्य: अदृश्य भूत

कल्पना कीजिए कि ब्रह्मांड एक विशाल, हलचल भरा शहर है। हम इमारतें, कारें और लोग देख सकते हैं (यह सामान्य पदार्थ/Normal Matter है)। लेकिन खगोलविदों को पता है कि इस शहर का 85% हिस्सा वास्तव में अदृश्य "भूतों" से बना है (यह डार्क मैटर/Dark Matter है)। ये भूत गुरुत्वाकर्षण के साथ शहर को थामे रखते हैं, लेकिन वे न तो चमकते हैं, न ही प्रकाश को परावर्तित करते हैं, और वे किसी भी चीज़ से टकराने से बचते हैं।

दशकों से, वैज्ञानिक इन भूतों को पकड़ने के लिए विशाल जाल (कोलाइडर) बना रहे हैं ताकि यह देखा जा सके कि क्या वे सामान्य लोगों से टकराते हैं। वे "वीकली इंटरैक्टिंग मैसिव पार्टिकल्स" (WIMPs) की तलाश कर रहे थे—ऐसे भूत जो भारी होते हैं और कभी-कभी टकराते हैं। लेकिन अब तक, जाल खाली रहे हैं। भूत पकड़े जाने के लिए बहुत शर्मीले हैं।

नया सिद्धांत: "फीबल" (अत्यंत दुर्बल) भूत और गुरुत्वाकर्षण का पुल

यह शोध पत्र एक नया विचार सुझाता है: शायद भूत केवल शर्मीले नहीं हैं; शायद वे फीबल (अत्यंत दुर्बल) हैं। वे हमारे साथ इतनी कम तरह से इंटरैक्ट करते हैं कि वे लगभग अदृश्य हैं। इसे फीबली इंटरैक्टिंग डार्क मैटर (FIDM) कहा जाता है।

लेकिन अगर कोई चीज़ बहुत कम इंटरैक्ट करती है, तो हम उसे कैसे पकड़ें? लेखक उन्हें पकड़ने के लिए एक नया "पुल" प्रस्तावित करते हैं: एक स्पिन-2 पोर्टल (Spin-2 Portal)।

उपमा: कल्पना कीजिए कि स्टैंडर्ड मॉडल (हम) और डार्क सेक्टर (भूत) दो अलग-अलग द्वीप हैं। आमतौर पर, हम भारी ट्रकों (ग्लूऑन्स/क्वार्क्स) का उपयोग करके पुल बनाने की कोशिश करते हैं। लेकिन इस नए सिद्धांत में, पुल एक विशाल, अदृश्य ट्रैम्पोलिन है (एक स्पिन-2 कण, जो ग्रेविटॉन का एक भारी संस्करण है)।
पकड़: यह ट्रैम्पोलिन भारी ट्रकों की परवाह नहीं करता; इसे केवल प्रकाश (फोटोन) की परवाह है। यह प्रकाश को इधर-उधर उछालकर दोनों द्वीपों को जोड़ता है। क्योंकि यह संबंध बहुत कमजोर है, इसलिए शुरुआती ब्रह्मांड में भूत बहुत धीरे-धीरे उत्पन्न हुए, जिससे वे कभी "थर्मल इक्विलिब्रियम" (वे हमारे साथ घुलने-मिलने के लिए पर्याप्त गर्म नहीं हुए) तक नहीं पहुँच पाए। यह "फ्रीज़-इन" (Freeze-In) तंत्र है: वे बर्फ के टुकड़ों की तरह जमने (freeze out) के बजाय, समय के साथ धीरे-धीरे अस्तित्व में "जमते" (freeze in) हैं।

चुनौती: घास के ढेर में सुई ढूँढना

समस्या यह है कि चूंकि ये भूत बहुत कम इंटरैक्ट करते हैं, इसलिए उन्हें कण कोलाइडर (जैसे लार्ज हैड्रॉन कोलाइडर, या LHC) में बनाना अविश्वसनीय रूप से दुर्लभ है। यह तूफान में एक विशिष्ट, अदृश्य रेत के कण को खोजने जैसा है।

इसके अलावा, वैज्ञानिक जिस सामान्य तरीके से नए कणों की तलाश करते हैं, वह दो भारी ट्रकों को आपस में टकराना और देखना है कि बाहर क्या निकल रहा है। लेकिन इस मॉडल में, "ट्रक" (क्वार्क्स) पुल से बात नहीं करते हैं। इसके बजाय, पुल प्रकाश की दो किरणों (फोटोन) के आपस में टकराने से बनता है। यह एक बहुत दुर्लभ घटना है, जिससे सिग्नल को खोजना और भी कठिन हो जाता है।

समाधान: वेक्टर बोसन फ्यूजन और "AI डिटेक्टिव"

लेखकों को एहसास हुआ कि इन दुर्लभ घटनाओं को खोजने के लिए उन्हें एक विशिष्ट रणनीति और एक सुपर-स्मार्ट सहायक की आवश्यकता है।

रणनीति (वेक्टर बोसन फ्यूजन): सीधे टकराव को देखने के बजाय, वे पीछे छोड़े गए एक विशिष्ट "फिंगरप्रिंट" को देखते हैं। जब प्रकाश की किरणें डार्क मैटर बनाने के लिए टकराती हैं, तो वे सामान्य कणों (क्वार्क्स) के दो जेट्स को आगे की ओर धकेलती हैं, जैसे दो स्कीयर रैंप से कूद रहे हों।
- रूपक: कल्पना कीजिए कि आप एक कमरे में भूत को खोजने की कोशिश कर रहे हैं। आप भूत को देख नहीं सकते, लेकिन आप जानते हैं कि जब भूत प्रकट होता है, तो वह कमरे में दो कुर्सियों को दूर फेंक देता है। आप भूत को नहीं देखते; आप दो उड़ती हुई कुर्सियों और उस खाली स्थान (लापता ऊर्जा/missing energy) को देखते हैं जहाँ भूत चला गया।
AI डिटेक्टिव (मशीन लर्निंग): "उड़ती हुई कुर्सियाँ" (जेट्स) लाखों अन्य बैकग्राउंड घटनाओं (शोर) के बीच एक अस्त-व्यस्त सिग्नल बनाती हैं। पारंपरिक तरीके सरल "कट-एंड-पेस्ट" नियमों का उपयोग करते हैं (जैसे, "यदि कुर्सी X से तेज़ चलती है, तो उसे रखें")। लेकिन यह बहुत ही सतही है।
- लेखकों ने एक मशीन लर्निंग एल्गोरिदम (विशेष रूपकर ग्रेडिएंट बूस्टेड डिसीजन ट्री, या BDT) को प्रशिक्षित किया। इस AI को एक सुपर-डिटेक्टिव के रूप में सोचें। केवल एक सुराग देखने के बजाय, यह एक साथ सब कुछ देखता है: कुर्सियों का कोण, उनकी गति, कमरे का आकार और समय। यह उन सूक्ष्म, जटिल पैटर्न को सीख लेता है जो एक "भूत घटना" को "बैकग्राउंड शोर घटना" से अलग करते हैं।

परिणाम: भविष्य के लिए एक नई उम्मीद

टीम ने सिम्युलेट किया कि यदि वे हाई-ल्यूमिनोसिटी LHC (कोलाइडर का उन्नत, सुपर-शक्तिशाली संस्करण जो भविष्य में आने वाला है) पर यह प्रयोग चलाते हैं तो क्या होगा।

अच्छी खबर: भले ही सिग्नल बहुत छोटा है, लेकिन "दो-कुर्सी" रणनीति और "AI डिटेक्टिव" का संयोजन उन्हें शोर के पार देखने की अनुमति देता है। उन्होंने पाया कि LHC संभावित रूप से "भूत ब्रह्मांड" के एक बड़े हिस्से की जांच कर सकता है जिसे पहले अदृश्य माना जाता था।
सीमा: वे भूतों को तब नहीं ढूंढ सकते यदि "पुल" (मीडिएटर) बहुत भारी है या कनेक्शन बहुत कमजोर है (जो तब होता है जब शुरुआती ब्रह्मांड में तापमान बहुत अधिक बढ़ गया हो)। लेकिन वास्तविक परिदृश्यों की एक विस्तृत श्रृंखला के लिए, यह खोज व्यवहार्य है।

मुख्य निष्कर्ष (Takeaway)

यह शोध पत्र ब्रह्मांड के सबसे "फीबल" (दुर्बल) भूतों को पकड़ने के लिए एक रोडमैप है। यह हमें बताता है:

भारी ट्रकों को ढूँढना बंद करें; प्रकाश की किरणों को देखें।
केवल सरल नियमों का उपयोग न करें; अराजकता में सूक्ष्म पैटर्न खोजने के लिए AI का उपयोग करें।
डार्क मैटर की खोज का भविष्य केवल बड़ी मशीनें बनाने के बारे में नहीं है; यह स्मार्टर विश्लेषण उपकरण बनाने के बारे में है।

कॉस्मोलॉजी (ब्रह्मांड विज्ञान के इतिहास) को आज के प्रयोगों (कोलाइडर्स) से जोड़कर, यह अध्ययन बताता है कि ब्रह्मांड कैसे पैदा हुआ और हम आज इसकी जांच कैसे कर सकते है, इसके बीच के अंतर को पाटता है—एक विशाल ट्रैम्पोलिन और एक सुपर-स्मार्ट AI का उपयोग करके अंततः अदृश्य को पकड़ने के लिए।

यहाँ जूनझे लिउ और अल्फ्रेडो गुरोला के शोध पत्र "Probing Freeze-In Dark Matter via a Spin-2 Portal at the LHC with Vector Boson Fusion and Machine Learning" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

डार्क मैटर (DM) की खोज ऐतिहासिक रूप से वीकली इंटरैक्टिंग मैसिव पार्टिकल्स (WIMPs) पर केंद्रित रही है, लेकिन डायरेक्ट डिटेक्शन और कोलाइडर प्रयोगों में संकेतों की कमी ने अब फीबली इंटरैक्टिंग डार्क मैटर (FIDM) की ओर ध्यान आकर्षित किया है। FIDM परिदृश्यों में, कण स्टैंडर्ड मॉडल (SM) के साथ इतनी दुर्बलता से अंतःक्रिया करते हैं कि वे प्रारंभिक ब्रह्मांड में कभी तापीय साम्यावस्था (thermal equilibrium) तक नहीं पहुँच पाते, बल्कि इसके बजाय वे फ्रीज-इन तंत्र (freeze-in mechanism) के माध्यम से उत्पन्न होते हैं।

इस कार्य में संबोधित विशिष्ट चुनौतियाँ हैं:

सैद्धांतिक अंतराल (Theoretical Gap): प्रारंभिक-ब्रह्मांड कॉस्मोलॉजी (फ्रीज-इन उत्पादन) को एक स्पिन-2 कण (मैसिव ग्रेविटॉन-जैसा मीडिएटर) द्वारा मध्यस्थता वाले मॉडलों के कोलाइडर फेनोमेनोलॉजी के साथ जोड़ना।
प्रायोगिक सीमाएँ (Experimental Limitations): स्पिन-2 रेजोनेंस (जैसे रैंडल्स-सनडर्स ग्रेविटॉन्स) के लिए पारंपरिक LHC खोजें ग्लूऑन-फ्यूजन उत्पादन और डिपोटोन क्षय चैनलों पर निर्भर करती हैं। हालाँकि, यहाँ अध्ययन किए गए विशिष्ट "फोटॉन-ओनली पोर्टल" मॉडल में, उत्पादन फोटॉन-फ्यूजन (जिसका क्रॉस-सेक्शन बहुत कम होता है) द्वारा हावी है, और मीडिएटर अदृश्य रूप से DM में क्षय हो सकता है। फलस्वरूप, मानक इनक्लूसिव डिपोटॉन रेजोनेंस खोजों की इन फीबली कपल्ड परिदृश्यों के प्रति नगण्य संवेदनशीलता है।
सिग्नल भेदभाव (Signal Discrimination): सिग्नल में वेक्टर बोसॉन फ्यूजन (VBF) टोपोलॉजी के साथ मिसिंग ट्रांसवर्स मोमेंटम ( $E_T^{miss}$ ) शामिल है, जो बड़े SM बैकग्राउंड (जैसे $Z(\to \nu\bar{\nu}) + \text{jets}$ ) के नीचे दबा हुआ है। इस सूक्ष्म सिग्नल को अलग करने के लिए सरल कट-आधारित रणनीतियों से परे उन्नत विश्लेषण तकनीकों की आवश्यकता है।

2. कार्यप्रणाली (Methodology)

A. सैद्धांतिक ढांचा (Theoretical Framework)

मॉडल: लेखक एक न्यूनतम विस्तार प्रस्तावित करते हैं जहाँ एक मैसिव स्पिन-2 मीडिएटर ( $G_{\mu\nu}$ ) दोनों SM (विशेष रूप से बेंचमार्क में फोटॉन) और एक स्केलर DM क्षेत्र ( $\chi$ ) के एनर्जी-मोमेंटम टेंसर के साथ सार्वभौमिक रूप से जुड़ता है।
लैग्रेंजियन (Lagrangian): अंतःक्रिया उच्च द्रव्यमान पैमानों $\Lambda_\gamma$ (फोटॉन के लिए कपलिंग) और $\Lambda_\chi$ (DM के लिए कपलिंग) द्वारा दबाए गए प्रभावी ऑपरेटर्स द्वारा नियंत्रित होती है।
$\mathcal{L}_{int} = \frac{1}{\Lambda_\gamma} G_{\mu\nu} T^{(\gamma)\mu\nu} + \frac{1}{\Lambda_\chi} G_{\mu\nu} T^{(\chi)\mu\nu}$
कॉस्मोलॉजी: DM की अवशेष प्रचुरता (relic abundance) फ्रीज-इन के माध्यम से प्रक्रिया $\gamma\gamma \to G^* \to \chi\chi$ द्वारा उत्पन्न होती है। लेखक दोनों ऑफ-रेजोनेंट (मीडिएटर मास पोल से दूर उत्पादन) और रेजोनेंट शासन के लिए अवशेष घनत्व (relic density) की गणना करते हैं, और देखे गए $\Omega_{DM}h^2 \approx 0.12$ से मेल खाने के लिए रीहीटिंग तापमान ( $T_R$ ) और कपलिंग पैमानों पर प्रतिबंध लगाते हैं।

B. कोलाइडर सिमुलेशन और इवेंट जनरेशन

प्रक्रिया: सिग्नल प्रक्रिया $pp \to G + jj \to \chi\chi + jj$ (दो फॉरवर्ड जेट्स और मिसिंग एनर्जी के साथ VBF टोपोलॉजी) है।
टूल्स (Tools):
- FeynRules/MadGraph5_aMC@NLO: $\sqrt{s} = 13.6$ TeV पर NNPDF2.3 PDFs के साथ लीडिंग ऑर्डर (LO) पर मैट्रिक्स एलिमेंट जनरेशन के लिए उपयोग किया गया।
- Pythia 8: पार्टोन शावरिंग और हैड्रोनाइजेशन के लिए।
- Delphes 3: पाइलअप प्रभावों (औसत 140 इंटरैक्शन) और ऑब्जेक्ट रिकंस्ट्रक्शन एफिशिएंसी सहित फास्ट डिटेक्टर सिमुलेशन (CMS कॉन्फ़िगरेशन) के लिए।
बैकग्राउंड्स (Backgrounds): प्रमुख बैकग्राउंड्स में $Z(\to \nu\bar{\nu}) + \text{jets}$ , $W(\to \ell\nu) + \text{jets}$ , डिबोसन उत्पादन ($VV$), और टॉप क्वार्क उत्पादन शामिल हैं।

C. मशीन लर्निंग रणनीति

कम सिग्नल-टू-बैकग्राउंड अनुपात से निपटने के लिए, लेखक एक ग्रेडिएंट-बूस्टेड डिसीजन ट्री (BDT) क्लासिफायर (XGBoost का उपयोग करके) का उपयोग करते हैं।

इनपुट फीचर्स: अधिकतम भेदभाव के लिए 8 काइनेमैटिक वेरिएबल्स चुने गए थे:
1. मिसिंग ट्रांसवर्स मोमेंटम ( $E_T^{miss}$ )।
2. लीडिंग ( $p_T(j_1)$ ) और सब-लीडिंग ( $p_T(j_2)$ ) जेट्स का ट्रांसवर्स मोमेंटम।
3. डाइजेट इनवेरिएंट मास ( $m_{jj}$ )।
4. जेट्स का स्यूडो-रैपिडिटी ( $\eta(j_1), \eta(j_2)$ )।
एंगुलर सेपरेशन: कोणीय पृथक्करण ( $\Delta\eta_{jj}, \Delta\phi_{jj}$ )।
ट्रेनिंग: डेटासेट (लगभग $10^6$ सिग्नल और $10^7$ बैकग्राउंड इवेंट्स) को ट्रेनिंग/टेस्टिंग के लिए 90/10 के अनुपात में विभाजित किया गया। BDT इन वेरिएबल्स के बीच जटिल, गैर-रेखीय सहसंबंधों को सीखता है जिन्हें सरल आयताकार कट्स कैप्चर नहीं कर सकते।

D. सांख्यिकीय विश्लेषण (Statistical Analysis)

सेंसिटिविटी प्रोजेक्शन: पूर्ण BDT आउटपुट डिस्ट्रीब्यूशन का उपयोग करके Combine फ्रेमवर्क के साथ एक शेप-आधारित विश्लेषण किया गया।
अनिश्चितताएं (Uncertainties): नुआंस पैरामीटर्स के रूप में व्यवस्थित अनिश्चितताओं (PDFs, स्केल वेरिएशंस, ल्यूमिनोसिटी, जेट एनर्जी स्केल, और एक रूढ़वादी 10% बैकग्राउंड नॉर्मलाइजेशन अनसर्टेन्टी) को शामिल किया गया।
परिदृश्य: प्रोजेक्शन एकीकृत ल्यूमिनोसिटी $L = 3000 \text{ fb}^{-1}$ के साथ हाई-ल्यूमिनोसिटी LHC (HL-LHC) को मानते हैं।

3. मुख्य योगदान (Key Contributions)

नवीन खोज रणनीति: यह शोध पत्र स्थापित करता है कि वेक्टर बोसॉन फ्यूजन (VBF) को मशीन लर्निंग के साथ जोड़ना स्पिन-2 मीडिएटेड फ्रीज-इन DM की जांच करने के लिए इष्टतम रणनीति है, जहाँ पारंपरिक रेजोनेंस खोजें विफल हो जाती हैं।
कॉस्मोलॉजी-कोलाइडर ब्रिज: यह फ्रीज-इन कॉस्मोलॉजी के अनुरूप पैरामीटर स्पेस ( $m_G, m_\chi, \Lambda_\gamma, \Lambda_\chi$ ) को कोलाइडर एक्सक्लूजन लिमिट्स के साथ व्यवस्थित रूप से मैप करता है, जिससे यह पहचान होता है कि कौन से कॉस्मोलॉजिकल परिदृश्य HL-LHC द्वारा परीक्षण योग्य हैं।
ML प्रभावकारिता का प्रदर्शन: यह अध्ययन मात्रात्मक रूप से दिखाता है कि कैसे BDTs साधारण कट-आधारित विधियों की तुलना में संवेदनशीलता को काफी बढ़ाते हैं, जिससे $\mathcal{O}(10^{-3})$ pb जितने कम उत्पादन क्रॉस-सेक्शन वाले पैरामीटर स्पेस की खोज संभव होती है।
सीमाओं का पुनर्व्याख्या (Reinterpretation of Limits): लेखक प्रदर्शित करते हैं कि अलग उत्पादन तंत्र (ग्लूऑन फ्यूजन बनाम फोटॉन फ्यूजन) और अदृश्य क्षय मोड के कारण ATLAS और CMS की मौजूदा डिपोटोन रेजोनेंस सीमाएं इस विशिष्ट "फोटॉन-ओनली" पोर्टल के लिए लागू नहीं हैं।

4. परिणाम (Results)

काइनेमैटिक भेदभाव: सिग्नल एक विशिष्ट VBF टोपोलॉजी प्रदर्शित करता है जिसकी विशेषता है:
- बड़ा डाइजेट इनवेरिएंट मास ( $m_{jj}$ ) और बड़ा रैपिडिटी सेपरेशन ( $\Delta\eta_{jj}$ )।
- SM बैकग्राउंड की तुलना में लीडिंग जेट के लिए हार्डर $p_T$ स्पेक्ट्रा।
- भारी मीडिएटर मास के कारण हार्डर $E_T^{miss}$ टेल।
एक्सक्लूजन रीच (Exclusion Reach):
- एक बेंचमार्क मीडिएटर मास $m_G = 1000$ GeV और कपलिंग $\Lambda_\gamma = \Lambda_\chi = 1$ TeV के लिए, HL-LHC $\sim 2 \times 10^{-3}$ pb तक के क्रॉस-सेक्शन की जांच कर सकता है।
- अनुमानित 95% CL एक्सक्लूजन $\Lambda \sim 1$ TeV के लिए $\sim 800$ GeV के मीडिएटर मास तक और छोटे कपलिंग स्केल्स (बड़े उत्पादन दरों) के लिए TeV स्केल तक विस्तृत है।
कॉस्मोलॉजिकल व्यवहार्यता (Cosmological Viability):
- निम्न रीहीटिंग तापमान ( $T_R \sim 10-10 \text{ MeV}$ ): फ्रीज-इन उत्पादन और अवशेष घनत्व के अनुरूप पैरामीटर स्पेस पूरी तरह से उस क्षेत्र के भीतर है जो HL-LHC द्वारा सुलभ है।
- उच्च रीहीटिंग तापमान ( $T_R \sim 1 \text{ GeV}$ ) / रेजोनेंट शासन: इन परिदृश्यों के लिए बहुत बड़े कपलिंग स्केल्स ( $\Lambda \sim 10^8 \text{ GeV}$ ) की आवश्यकता होती है और वे काफी हद तक HL-LHC की पहुंच से बाहर रहते हैं।
फीचर इम्पोर्टेंस: BDT विश्लेषण ने सिग्नल को बैकग्राउंड से अलग करने के लिए $E_T^{miss}$ , $m_{jj}$ , और $\Delta\eta_{jj}$ को सबसे महत्वपूर्ण वेरिएबल्स के रूप में पहचाना।

5. महत्व (Significance)

यह कार्य फ्रीज-इन डार्क मैटर परिदृश्यों का परीक्षण करने के लिए एक ठोस और पूरक मार्ग प्रदान करता है, जो कि एक्स्ट्रा-डायमेंशनल मॉडल्स और प्रभावी गुरुत्वाकर्षण सिद्धांतों द्वारा सैद्धांतिक रूप से प्रेरित हैं। प्रारंभिक-ब्रह्मांड कॉस्मोलॉजी और उच्च-ऊर्जा कोलाइडर भौतिकी के बीच के अंतर को पाटकर, यह अध्ययन रेखांकित करता है कि हाई-ल्यूमिनोसिटी LHC एक शक्तिशाली प्रयोगशाला है।

महत्वपूर्ण रूप से, यह प्रदर्शित करता है कि मशीन लर्निंग केवल एक अनुकूलन उपकरण नहीं बल्कि एक आवश्यकता है ताकि उन "डार्क" क्षेत्रों की जांच की जा सके जहाँ सिग्नल दरें कम हैं और बैकग्राउंड अत्यधिक है। निष्कर्ष बताते हैं कि स्पिन-2 मीडिएटेड फ्रीज-इन DM के लिए कॉस्मोलॉजिकल रूप से व्यवहार्य पैरामीटर स्पेस का एक महत्वपूर्ण हिस्सा आगामी HL-LHC रन में टेस्ट किया जा सकता है, जो VBF टोपोलॉजी और अदृश्य क्षय के लिए विशेष रूप से तैयार की गई खोज रणनीतियों को प्रेरित करता है।