⚛️ high-energy experiments

Search for electroweakinos in compressed-spectrum scenarios with low-momentum isolated tracks in proton-proton collisions at $\sqrt{s}$ = 13 TeV

138 fb $^{-1}$ के 13 TeV प्रोटॉन-प्रोटॉन कोलिजन डेटा का उपयोग करते हुए, CMS सहयोग ने लो-मोमेंटम आइसोलेटेड ट्रैक्स और मिसिंग ट्रांसवर्स मोमेंटम के माध्यम से लगभग द्रव्यमान-डैजनेरेट हिग्सिनो-जैसे इलेक्ट्रोवीकइनो के लिए एक खोज की, जिसमें कोई महत्वपूर्ण अधिकता नहीं पाई गई और 0.28 से 1.15 GeV के बीच द्रव्यमान विभाजन के लिए 185 GeV तक चार्गिनो द्रव्यमानों पर कड़े बहिष्करण सीमाएं निर्धारित की गईं।

मूल लेखक: CMS Collaboration

प्रकाशित 2026-04-29

📖 5 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

मुख्य चित्र: "भूतिया जुड़वा" की तलाश

कल्पना कीजिए कि आप एक बहुत ही विशिष्ट प्रकार के अपराधी की तलाश कर रहे हैं। यह अपराधी एक "भूत" है जो कभी अपनी उंगलियों के निशान नहीं छोड़ता, लेकिन यह एक बहुत छोटा, लगभग अदृश्य पदचिह्न (footprint) जरूर छोड़ देता है।

कण भौतिकी (particle physics) की दुनिया में, CERN (यूरोपीय परमाणु अनुसंधान संगठन) के वैज्ञानिक सुपरसिमेट्री (SUSY) के प्रमाण की तलाश कर रहे हैं। SUSY को एक "छाया दुनिया" के रूप में सोचें जहाँ प्रत्येक ज्ञात कण का एक भारी, अदृश्य जुड़वा होता है। इन जुड़वाओं में से एक विशिष्ट प्रकार को हिग्गसिनो (higgsino) कहा जाता है।

समस्या क्या है? ये हिग्गसिनो बहुत शर्मीले होते हैं। यदि वे मौजूद हैं, तो वे अपने साथियों के वजन के इतने समान हो सकते हैं कि टूटने (decay होने) के दौरान वे बहुत कम हलचल करते हैं। यह उन्हें पहचानना अविश्वसनीय रूप से कठिन बना देता है, जैसे तूफान में एक फुसफुसाहट को खोजने की कोशिश करना।

विशिष्ट रहस्य: "कंप्रेस्ड" परिदृश्य

यह शोध पत्र एक पेचीदा स्थिति पर केंद्रित है जिसे "कंप्रेस्ड स्पेक्ट्रम" (compressed spectrum) कहा जाता है।

उपमा: कल्पना कीजिए कि एक भारी बॉलिंग बॉल (भारी कण) एक पहाड़ी से नीचे लुढ़क रही है। आमतौर पर, जब यह टूटती है, तो यह एक टेनिस बॉल (एक नया कण) को बहुत गति के साथ बाहर फेंक देती है। आप टेनिस बॉल को तेजी से उड़ते हुए आसानी से देख सकते हैं।
ट्विस्ट: इस विशिष्ट परिदृश्य में, बॉलिंग बॉल और टेनिस बॉल लगभग एक ही वजन की होती हैं। जब बॉलिंग बॉल टूटती है, तो टेनिस बॉल दूर नहीं भागती; वह बस थोड़ा सा आगे लुढ़कती है। वह इतनी धीरे चलती है (उसका "मोमेंटम" कम होता है) कि ऐसा लगता है जैसे वह बस वहीं तैर रही हो।

क्योंकि ये कण इतने भारी और धीमी गति से चलते हैं, वे डिटेक्टर से जल्दी बाहर नहीं निकलते। इसके बजाय, वे एक एकल, धीमी गति वाले पायोन (एक प्रकार का कण) में बदलने से पहले एक छोटी दूरी (लगभग 1 सेंटीमीटर तक) तय करते हैं। यह एक "सॉफ्ट, आइसोलेटेड ट्रैक" (soft, isolated track) बनाता है—डिटेक्टर में एक धुंधली, छोटी रेखा जो मुख्य टकराव स्थल से नहीं जुड़ी होती है।

चुनौती: घास के ढेर में सुई ढूँढना

वैज्ञानिक डेटा के एक विशाल ढेर में इन धुंधले, धीमे ट्रैक्स की तलाश कर रहे हैं।

घास का ढेर (Haystack): लार्ज हैड्रोन कोलाइडर (LHC) प्रोटॉन को अरबों बार आपस में टकराता है। इनमें से अधिकांश टकराव कणों का एक अराजक ढेर (बैकग्राउंड शोर) पैदा करते हैं।
सुई (Needle): जिस सिग्नल की उन्हें तलाश है, वह एक अकेला, धीमा ट्रैक है जो टकराव के केंद्र से थोड़ा दूर दिखाई देता है, और इसके साथ बहुत अधिक "लुप्त ऊर्जा" (missing energy) होती है (क्योंकि भूतिया कण बिना देखे ही डिटेक्टर से बाहर निकल जाते हैं)।

कठिनाई यह है कि बैकग्राउंड शोर बहुत बड़ा है। डिटेक्टर के भ्रमित होने या अन्य सामान्य कण अंतःक्रियाओं के कारण कई नकली ट्रैक बनते हैं। वास्तविक "भूत" सिग्नल को शोर से अलग करना एक स्टेडियम में चीखते हुए प्रशंसकों के बीच किसी विशिष्ट व्यक्ति की फुसफुसाहट को सुनने जैसा है।

समाधान: एक स्मार्ट AI जासूस

इसे हल करने के लिए, CMS टीम ने केवल सरल नियमों (जैसे "यदि ट्रैक इतना लंबा है, तो गिनो") का उपयोग नहीं किया। इसके बजाय, उन्होंने एक न्यूरल नेटवर्क (आर्टिफिशियल इंटेलिजेंस का एक प्रकार) बनाया।

यह कैसे काम करता है: एक कुत्ते को एक विशिष्ट गंध खोजने के लिए प्रशिक्षित करने की कल्पना करें। आप कुत्ते को "भूतिया" गंध (सिम्युलेटेड सिग्नल) के हजारों उदाहरण और "शोर" (बैकग्राउंड) के हजारों उदाहरण दिखाते हैं।
प्रशिक्षण: AI को ट्रैक्स के डेटा पर प्रशिक्षित किया गया था: वे कितनी गति से चल रहे थे, वे ठीक कहाँ से शुरू हुए थे, और वे केंद्र से कितनी दूर चले गए। इसने उन सूक्ष्म पैटर्न को पहचानना सीखा जिन्हें मानवीय आँखें या सरल गणित मिस कर सकते हैं।
परिणाम: AI एक फिल्टर के रूप में कार्य करता है, लाखों ट्रैक्स को छाँटता है और कहता है, "यह एक भूत जैसा दिखता है," या "यह केवल शोर है।"

जांच: उन्हें क्या मिला?

टीम ने 2016 और 2018 के बीच रिकॉर्ड किए गए 138 ट्रिलियन प्रोटॉन टकरावों (138 fb⁻¹) का विश्लेषण किया। उन्होंने इस विशिष्ट "स्लो ट्रैक" सिग्नेचर को स्कैन करने के लिए अपने AI का उपयोग किया।

फैसला:

कोई भूत नहीं मिला: सभी डेटा को देखने के बाद, उन्हें इन हिग्गसिनो जुड़वाओं का शून्य प्रमाण मिला। उन्होंने जो इवेंट देखे, वे बिल्कुल वही थे जो सामान्य बैकग्राउंड शोर के लिए हमारा वर्तमान सर्वश्रेष्ठ सिद्धांत (स्टैंडर्ड मॉडल) भविष्यवाणी करता है।
संभावनाओं को खारिज करना: भले ही उन्हें कण नहीं मिले, लेकिन उन्होंने कुछ महत्वपूर्ण सीखा। अब वे 95% विश्वास के साथ कह सकते हैं कि यदि ये हिग्गसिनो मौजूद हैं, तो वे 185 GeV (द्रव्यमान की एक इकाई) जितने हल्के नहीं हो सकते यदि उनके बीच का द्रव्यमान अंतर कम है।

निष्कर्ष: खिड़की को बंद करना

इस खोज को घर के एक कमरे में दरवाजा बंद करने के रूप में सोचें।

इस शोध पत्र से पहले, वैज्ञानिकों को नहीं पता था कि क्या ये "कंप्रेस्ड" हिग्गसिनो उस कमरे में छिपे हुए हैं।
इस शोध पत्र के बाद, वे कह सकते हैं, "हमने उस कमरे में हर जगह देखा है, और हिग्गसिनो वहाँ नहीं हैं (कम से कम उस द्रव्यमान और गति के साथ जिसका हमने परीक्षण किया है)।"

यह "नेचुरल सुपरसिमेट्री" पर सख्त सीमाएं लगाता है। यह सिद्धांतकारों को बताता है कि यदि ये कण मौजूद हैं, तो वे उस विशिष्ट "कंप्रेस्ड" मॉडल से भारी होने चाहिए या अलग तरह से व्यवहार करने चाहिए जिसका इस शोध पत्र में परीक्षण किया गया है। खोज जारी है, लेकिन इस विशिष्ट छिपने की जगह की पूरी तरह से जाँच की जा चुकी है और यह खाली पाई गई है।

यहाँ CMS पेपर CMS-SUS-24-012 का विस्तृत तकनीकी सारांश दिया गया है, जिसका शीर्षक है "प्रोटॉन-प्रोटॉन टकरावों में कम-संवेग वाले पृथक ट्रैक्स (low-momentum isolated tracks) के साथ संकुचित-स्पेक्ट्रम (compressed-spectrum) परिदृश्यों में इलेक्ट्रोवीककीनो की खोज।"

1. समस्या विवरण और भौतिक प्रेरणा (Problem Statement and Physics Motivation)

यह खोज संकुचित-स्पेक्ट्रम सस्पेंस (compressed-spectrum SUSY) को लक्षित करती है, विशेष रूप से हिग्सिनो-जैसे (higgsino-like) इलेक्ट्रोवीकीनो वाले परिदृश्यों को। इन मॉडलों में, सबसे हल्का न्यूट्रालिनो ( $\tilde{\chi}^0_1$ ) लाइटैस्ट सुपरसिमेट्रिक पार्टिकल (LSP) है और डार्क मैटर का एक उम्मीदवार है। अगले-से-सबसे हल्के सुपरसिमेट्रिक कण (NLSPs)—सबसे हल्का चार्जिनो ( $\tilde{\chi}^\pm_1$ ) और दूसरा न्यूट्रालिनो ( $\tilde{\chi}^0_2$ )—LSP के साथ लगभग द्रव्यमान-समान (mass-degenerate) होते हैं।

चुनौती: जब द्रव्यमान विभाजन ( $\Delta m^\pm = m(\tilde{\chi}^\pm_1) - m(\tilde{\chi}^0_1)$ ) बहुत कम होता है (विशेष रूप से 0.3–1 GeV), तो $\tilde{\chi}^\pm_1 \to \tilde{\chi}^0_1 \pi^\pm$ का क्षय (decay) एक बहुत ही कम-संवेग (soft) वाले पायोन ( $\pi^\pm$ ) को उत्पन्न करता है।
पहचान में कठिनाई:
- यदि $\Delta m^\pm \lesssim 0.3$ GeV है, तो चार्जिनो इतना लंबा जीवन (long-lived) रखता है कि वह एक "डिसेपियरिंग ट्रैक" (disappearing track) सिग्नेचर उत्पन्न करता है।
- यदि $\Delta m^\pm \gtrsim 1$ GeV है, तो पायियन इतना ऊर्जावान होता है कि उसे आसानी से एक मानक ट्रैक के रूप में पुनर्गठित (reconstruct) किया जा सकता है।
- "गैप" (The Gap): मध्यवर्ती सीमा (0.3–1 GeV) में, पायियन का ट्रांसवर्स मोमेंटम ( $p_T$ ) आमतौर पर 1 GeV से कम होता है और प्राइमरी वर्टेक्स (PV) से विस्थापन (displacement) ~1 cm तक होता है। ये ट्रैक्स अक्सर मानक पुनर्गठन थ्रेशोल्ड या पाइलअप (pileup) और अंडरलाइंग इवेंट्स के बैकग्राउंड के कारण खो जाते हैं।

2. कार्यप्रणाली (Methodology)

डेटा और चयन (Data and Selection)

डेटासेट: CMS डिटेक्टर द्वारा $\sqrt{s} = 13$ TeV पर प्रोटॉन-प्रोटॉन टकराव के 138 fb $^{-1}$ डेटा का उपयोग (2016–2018)।
ट्रिगर: घटनाओं को $p_T^{miss} > 120$ GeV के मिसिंग ट्रांसवर्स मोमेंटम थ्रेशोल्ड के साथ चुना जाता है।
ऑफलाइन चयन:
- $p_T^{miss} > 300$ GeV और $H_T^{miss} > 300$ GeV (जेट $p_T$ का स्केलर सम)।
- कम से कम एक पृथक ट्रैक (isolated track) जिसका $p_T < 20$ GeV और $|\eta| < 2.4$ हो।
- आइसोलेटेड इलेक्ट्रॉन, म्यूऑन, फोटॉन और हैड्रोनिक $\tau$ लेप्टनों पर वीटो (Veto)।
- $b$ -टैग्ड जेट्स और $\ge 5$ जेट्स वाली घटनाओं पर वीटो।
- QCD मल्टीजेट बैकग्राउंड को खारिज करने के लिए $p_T^{miss}$ और जेट्स के बीच कोणीय पृथक्करण ( $\Delta\phi$ ) पर आवश्यकताएं।

बैकग्राउंड अनुमान (Background Estimation)

प्रमुख बैकग्राउंड निम्नलिखित हैं:

$Z \to \nu\nu$ + जेट्स: न्यूट्रिनोस से उत्पन्न वास्तविक $p_T^{miss}$ ।
$W \to \ell\nu$ : जहाँ लेप्टन लुप्त हो जाता है या पहचान में विफल रहता है।
QCD मल्टीजेट्स: गलत मापा गया $p_T^{miss}$ और नकली ट्रैक्स।
सेकेंडरी ट्रैक्स: पाइलअप, अंडरलाइंग इवेंट्स, या प्राइमरी वर्टेक्स (PV) से उत्पन्न कणों के क्षय से प्राप्त ट्रैक्स।

बैकग्राउंड यील्ड का अनुमान सिमुलेशन का उपयोग करके लगाया जाता है जिसे डेटा-संचालित विधियों द्वारा सुधारा जाता है:

नॉर्मलाइजेशन (Normalization): $Z \to \mu\mu$ घटनाओं (के लिए $Z \to \nu\nu$ ) और समावेशी ट्रैक $z$ -विस्थापन ( $d_z$ ) वितरण (के लिए PV-एसोसिएटेड और स्प्यूरियस ट्रैक्स) का उपयोग करके प्राप्त स्केल फैक्टर्स।
सुधार (Refinement): सॉफ्ट ट्रैक कैनेमैटिक्स और इम्पैक्ट पैरामीटर्स के सिमुलेशन में गलत मॉडलिंग को ठीक करने के लिए Fast Perfekt कार्यप्रणाली पर आधारित एक मल्टीवेरिएट रिग्रेशन का उपयोग किया जाता है, जिससे यह सुनिश्चित होता है कि सिमुलेटेड वितरण कंट्रोल क्षेत्रों में डेटा से मेल खाते हैं।

मशीन लर्निंग रणनीति (Machine Learning Strategy)

सिग्नल ट्रैक्स को बैकग्राउंड से अलग करने के लिए एक पैरामीटराइज्ड फीडफॉरवर्ड न्यूरल नेटवर्क (NN) इस विश्लेषण का मुख्य आधार है।

आर्किटेक्चर: तीन हिडन लेयर्स, जिनमें प्रत्येक में 256 यूनिट्स हैं, और LeakyReLU एक्टिवेशन का उपयोग किया गया है।
इनपुट: 37 ऑब्जर्वेबल्स जिनमें ट्रैक कैनेमैटिक्स ( $p_T, \eta$ ), हेलिक्स फिट क्वालिटी, प्राइमरी वर्टेक्स (PV) और पाइलअप के सापेक्ष इम्पैक्ट पैरामीटर सिग्निफिकेंस ( $IP_{xy}$ ), और इवेंट-लेवल $p_T^{miss}$ शामिल हैं।
पैरामीटराइजेशन: नेटवर्क को इनपुट मास अंतर ( $\Delta m^\pm_{in}$ ) के एक पैरामीटर (0.3, 0.6, और 1.0 GeV) के साथ प्रशिक्षित किया जाता है ताकि सिग्नल फेज स्पेस में सहसंबंधों (correlations) को पकड़ा जा सके।
आउटपुट: नेटवर्क ट्रैक्स को पाँच श्रेणियों में वर्गीकृत करता है: सिग्नल, $\tau$ -डिके ट्रैक्स, अन्य सेकेंडरी ट्रैक्स, प्रॉम्प्ट PV ट्रैक्स, और स्प्यूरियस ट्रैक्स।
सिग्नल रीजन (SRs): घटनाओं को सिग्नल क्लास के लिए NN स्कोर ( $\tilde{P}$ ) के आधार पर वर्गीकृत किया जाता है। तीन अलग-अलग SRs को इनपुट $\Delta m^\pm_{in}$ मानों के अनुरूप परिभाषित किया गया है, जिन्हें संवेदनशीलता (sensitivity) बढ़ाने के लिए स्कोर के आधार पर और अधिक बिन्ड (binned) किया गया है।

3. प्रमुख योगदान (Key Contributions)

नवीन खोज चैनल (Novel Search Channel): यह समर्पित NN दृष्टिकोण का उपयोग करके कम-मोमेंटम पृथक ट्रैक्स का उपयोग करने वाले कठिन 0.3–1 GeV मास स्प्लिटिंग शासन (regime) को लक्षित करने वाले पहले खोजों में से एक है। पिछले शोध या तो गायब होने वाले ट्रैक्स ( $\Delta m < 0.3$ GeV) या सॉफ्ट लेप्टोन ( $\Delta m > 1$ GeV) पर केंद्रित थे।
उन्नत बैकग्राउंड मॉडलिंग: पैरामीटराइज्ड NN का उपयोग विभिन्न मास स्प्लिटिंग्स के लिए सिग्नल और बैकग्राउंड के एकीकृत उपचार की अनुमति देता है, जो पारंपरिक कट-आधारित विश्लेषणों की तुलना में संवेदनशीलता में काफी सुधार करता है।
डेटा-संचालित परिशोधन: सॉफ्ट ट्रैक गुणों (इम्पैक्ट पैरामीटर और $p_T$ ) के सिमुलेशन मिसमॉडलिंग को ठीक करने के लिए Fast Perfekt रिग्रेशन तकनीक का कार्यान्वयन, जो बैकग्राउंड अनुमान को मजबूत बनाता है जहाँ पुनर्गठन अक्षमताएं (reconstruction inefficiencies) हावी होती हैं।

4. परिणाम (Results)

अवलोकन (Observation): 12 सिग्नल रीजन में स्टैंडर्ड मॉडल की अपेक्षा से कोई महत्वपूर्ण अतिरिक्त (excess) नहीं देखा गया। डेटा बैकग्राउंड-ओनली हाइपोथीसिस के अनुरूप है।
एक्सक्लूजन लिमिट्स (95% कॉन्फिडेंस लेवल):
- मास स्प्लिटिंग: हिग्सिनो मॉडल को 0.28–1.15 GeV की रेंज में एक्सक्लूड (exclude) किया गया है।
- चार्जिनो मास:
  - 0.55 GeV के मास स्प्लिटिंग के लिए, 185 GeV तक के चार्जिनो मास को एक्सक्लूड किया गया है।
  - 100 GeV के चार्जिनो मास के लिए, 0.28 और 1.15 GeV के बीच मास स्प्लिटिंग को एक्सक्लूड किया गया है।
- तुलना: इस विशिष्ट संकुचित-स्पेक्ट्रम शासन के लिए ये अब तक की सबसे सख्त सीमाएं हैं, जो प्राकृतिक हिग्सिनो डार्क मैटर की खोज में एक महत्वपूर्ण अंतराल को भरती हैं।

5. महत्व (Significance)

यह विश्लेषण प्राकृतिक सस्पेंस (natural SUSY) की खोज में एक महत्वपूर्ण "ब्लाइंड स्पॉट" को संबोधित करता है। नेचुरलनेस तर्क सुझाव देते हैं कि फाइन-ट्यूनिंग से बचने के लिए हिग्सिनो हल्के (इलेक्ट्रोवीक स्केल $\sim 100$ GeV के करीब) होने चाहिए। हालांकि, यदि द्रव्यमान विभाजन छोटा है, तो परिणामी सॉफ्ट पायियन का पता लगाना कठिन होता है।

एक परिष्कृत मशीन लर्निंग दृष्टिकोण का उपयोग करके इन सॉफ्ट, संभावित रूप से विस्थापित ट्रैक्स को सफलतापूर्वक पुनर्गठित और पहचानने के माध्यम से, यह परिणाम:

नेचुरल SUSY को सीमित करता है: यह प्राकृतिक हिग्सिनो परिदृश्यों के पैरामीटर स्पेस पर कड़े प्रतिबंध लगाता है, इस विशिष्ट कैनेमैटिक शासन में चार्जिनो मास की निचली सीमा को पहले के पिछले लिमिट्स की तुलना में काफी ऊपर धकेलता है।
कार्यप्रणाली को प्रमाणित करता है: यह कम-मोमेंटम हस्ताक्षरों (signatures) की जांच के लिए पैरामीटराइज्ड न्यूरल नेटवर्क और उन्नत ट्रैक पुनर्गठन तकनीकों के उपयोग को मान्य करता है, जो भविष्य के हाई-ल्यूमिनोसिटी LHC रन और भविष्य के कोलाइडर्स के लिए एक आवश्यक रणनीति है।
डार्क मैटर निहितार्थ: यह हिग्सिनो डार्क मैटर के व्यवहार्य विंडो को कम करता है, यह सुझाव देता है कि यदि हिग्सिनो मौजूद हैं, तो या तो वे 185 GeV से भारी होने चाहिए (जिससे फाइन-ट्यूनिंग बढ़ती है) या उनका मास स्प्लिटिंग 0.28–1.15 GeV की सीमा से बाहर होना चाहिए।