⚛️ high-energy experiments

Search for pair-produced vector-like $T$ -quarks decaying into $Ht$ final states in the lepton-plus-jets channel in $pp$ collisions at $\sqrt{s}$ =13 TeV with the ATLAS detector

ATLAS डिटेक्टर से 13 TeV प्रोटॉन-प्रोटॉन टकराव के 139 fb $^{-1}$ डेटा का उपयोग करते हुए, यह अध्ययन लीपटन-प्लस-जेट्स चैनल में हिग्स-टॉप अंतिम अवस्थाओं में क्षय होने वाले युग्मित-उत्पादित वेक्टर-लाइक $T$ -क्वार्क्स की खोज करता है, जिसमें मानक मॉडल के अनुमानों पर कोई महत्वपूर्ण अधिकता नहीं पाई गई और $T$ -क्वार्क के प्रतिनिधित्व और ब्रांचिंग अंश के आधार पर 1.40 से 1.66 TeV के 95% विश्वास स्तर के निम्न द्रव्यमान सीमाएं निर्धारित की गई हैं।

मूल लेखक: The ATLAS Collaboration

प्रकाशित 2026-05-28

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: The 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

मुख्य तस्वीर: "भारी जुड़वा" (Heavy Twins) की तलाश

कल्पना कीजिए कि ब्रह्मांड एक विशाल, तेज़ रफ्तार रेसट्रैक है (लार्ज हैड्रॉन कोलाइडर, या LHC)। CERN के भौतिक विज्ञानी उन रेस अधिकारियों की तरह हैं जो प्रोटॉन को लगभग प्रकाश की गति से आपस में टकराते हैं ताकि यह देखा जा सके कि क्या होता है। आमतौर पर, ये टकराव कणों का एक अनुमानित सेट पैदा करते हैं, जैसे मानक कारें और मोटरसाइकिलें।

हालाँकि, स्टैंडर्ड मॉडल (भौतिकी का हमारा वर्तमान नियमकोश) में कुछ कमियाँ हैं। एक बड़ा सवाल यह है: हिग्स बोसोन (वह कण जो अन्य कणों को द्रव्यमान देता है) इतना हल्का क्यों है? इस "फाइन-ट्यूनिंग" समस्या को ठीक करने के लिए, कुछ सिद्धांत सुझाव देते हैं कि टॉप क्वार्क (सबसे भारी ज्ञात कण) के कुछ "भारी जुड़वा" मौजूद हैं। इन्हें वेक्टर-लाइक टी-क्वार्क (Vector-Like T-quarks) कहा जाता है।

यह पेपर ATLAS प्रयोग टीम की एक रिपोर्ट है जो कह रही है: "हमने इन भारी जुड़वाओं को खोजने के लिए बहुत मेहनत की, लेकिन हमें वे नहीं मिले। हालाँकि, अब हम पूरे विश्वास के साथ कह सकते हैं कि यदि वे मौजूद हैं, तो वे पहले की तुलना में अधिक भारी होने चाहिए।"

रणनीति: "हेवीवेट बॉक्सिंग मैच"

चूँकि ये टी-क्वार्क इतने भारी होते हैं, इसलिए इन्हें बनाना कठिन है। जब ये बनते हैं, तो ये लंबे समय तक नहीं टिकते; ये तुरंत टूट जाते हैं (क्षय/decay हो जाते हैं)।

टीम ने एक विशिष्ट परिदृश्य को देखने का निर्णय लिया:

जोड़ी: वे एक साथ दो टी-क्वार्कों के बनने की तलाश कर रहे हैं (जैसे रिंग में प्रवेश करने वाले भारी वजन वाले मुक्केबाजों की एक जोड़ी)।
क्षय (Decay): उनमें से कम से कम एक हिग्स बोसोन और एक टॉप क्वार्क में टूट जाता है।
निशान (Trail): हिग्स बोसोन फिर दो "बॉटम" क्वार्कों में विभाजित होता है, और टॉप क्वार्क एक हल्के कण (इलेक्ट्रॉन या म्यूऑन), एक अदृश्य न्यूट्रिनो, और एक अन्य बॉटम क्वार्क में विभाजित होता है।

उपमा: कल्पना कीजिए कि आप एक विशाल बगीचे में एक विशिष्ट प्रकार के दुर्लभ, भारी फल (टी-क्वार्क) को खोजने की कोशिश कर रहे हैं। आप जानते हैं कि जब यह फल गिरता है, तो यह बीजों और रस के एक विशिष्ट संयोजन में विभाजित हो जाता है। फल को खोजने के बजाय, आप बीजों और रस के उस अनूठे ढेर को देख रहे हैं जिसे वह पीछे छोड़ देता है।

जासूसी का काम: शोर को छाँटना

समस्या यह है कि बगीचा नियमित फलों से भरा हुआ है जो हर समय गिर रहे हैं (स्टैंडर्ड मॉडल बैकग्राउंड)। टीम को दुर्लभ सिग्नल को खोजने के लिए शोर को फ़िल्टर करना पड़ा।

"रीक्लस्टरिंग" (Reclustering) ट्रिक: जब भारी कण क्षय होते हैं, तो वे इतनी तेज़ी से चलते हैं कि उनका मलबा (कणों के जेट) आपस में दब जाता है। टीम ने "वेरिएबल-रेडियस जेट्स" नामक एक विशेष तकनीक का उपयोग किया। इसे एक स्मार्ट कैमरा लेंस की तरह समझें जो वस्तु के हिलने की गति के आधार पर स्वचालित रूप से ज़ूम इन या ज़ूम आउट होता है, जिससे यह सुनिश्चित होता है कि वे मलबे के पूरे ढेर को सही ढंग से कैप्चर कर सकें, भले ही वह अविश्वसनीय रूप से तेज़ गति से चल रहा हो।
न्यूरल नेटवर्क (AI जासूस): उन्होंने एक कंप्यूटर मस्तिष्क (न्यूरल नेटवर्क) को प्रशिक्षित किया ताकि वह मलबे के ढेरों के आकार, गति और व्यवस्था को देख सके। यह एक कुत्ते को एक विशिष्ट गंध को सूंघने के लिए सिखाने जैसा है। AI ने सामान्य टकरावों के बिखरे हुए मलबे और एक भारी टी-क्वार्क क्षय के साफ, संरचित मलबे के बीच अंतर करना सीख लिया।

परिणाम: "नहीं मिला, लेकिन हमें पता है कि वे कहाँ नहीं हैं"

139 "इन्वर्स फेम्टोबार्न" (139 fb⁻¹) डेटा का विश्लेषण करने के बाद (जो टक्कर डेटा की एक विशाल मात्रा है, जो कोलाइडर चलाने के कई वर्षों के बराबर है), टीम को इन भारी टी-क्वार्कों का कोई प्रमाण नहीं मिला। डेटा सामान्य भौतिकी की भविष्यवाणियों से पूरी तरह मेल खाता है।

चूँकि उन्हें वे नहीं मिले, इसलिए उन्होंने एक "घेरा" (fence) बना दिया जहाँ टी-क्वार्क हो सकते हैं। अब वे उन टी-क्वार्कों को खारिज कर सकते हैं जो कुछ निश्चित वजन से कम हैं:

यदि टी-क्वार्क एक "सिंगलेट" (एक विशिष्ट प्रकार का कण) है, तो यह 1.40 TeV से अधिक भारी होना चाहिए।
यदि यह एक "डबलेट" है, तो यह 1.56 TeV से अधिक भारी होना चाहिए।
यदि यह केवल हिग्स और टॉप क्वार्क में क्षय होता है (100% समय), तो यह 1.66 TeV से अधिक भारी होना चाहिए।

रूपक: कल्पना कीजिए कि आप एक खेत में छिपे हुए खजाने के संदूक की तलाश कर रहे हैं। आप पूरा खेत खोद डालते हैं और कुछ नहीं मिलता। आप यह नहीं कह सकते कि संदूक मौजूद नहीं है, लेकिन आप यह ज़रूर कह सकते हैं, "यदि संदूक वहाँ है, तो यह 10 फीट से अधिक गहरा दबा होना चाहिए, क्योंकि हमने इसके ऊपर का सब कुछ खोद दिया है।" यह पेपर पहले से कहीं अधिक गहराई तक खुदाई करता है, "दफन गहराई" की सीमा को और नीचे धकेलता है।

यह क्यों महत्वपूर्ण है

यह अपने प्रकार की सबसे संवेदनशील खोज है। अधिक डेटा (36 fb⁻¹ के बजाय 139 fb⁻¹) और बेहतर AI टूल्स का उपयोग करके, ATLAS टीम ने हमारे ज्ञान की सीमाओं को आगे बढ़ाया है। उन्हें "भारी जुड़वा" नहीं मिले हैं, लेकिन यह साबित करके कि वे हल्के द्रव्यमान रेंज में छिपे नहीं हैं, वे भौतिकविदों को अपने सिद्धांतों पर पुनर्विचार करने या भविष्य में और भी उच्च ऊर्जाओं पर इन कणों की तलाश करने के लिए मजबूर कर रहे हैं।

संक्षेप में: भारी टी-क्वार्क की खोज जारी है, लेकिन खोज क्षेत्र को काफी सीमित कर दिया गया है। यदि वे बाहर हैं, तो वे हमारी उम्मीद से कहीं अधिक भारी और खोजने में कठिन हैं।

तकनीकी सारांश: $H t$ अंतिम अवस्थाओं में क्षय होने वाले युग्म-उत्पादित वेक्टर-लाइक $T$ -क्वार्क्स की खोज

समस्या और प्रेरणा
कण भौतिकी का मानक मॉडल (Standard Model - SM) इलेक्ट्रोवीक द्रव्यमान पैमाने और प्लैंक पैमाने के बीच बड़े अंतर से संबंधित पदानुक्रम समस्या (hierarchy problem) का सामना करता है। एक प्रस्तावित समाधान SM को वेक्टर-लाइक क्वार्क्स (VLKs) के साथ विस्तारित करना है, जो हिग्स बोसॉन के द्रव्यमान के लिए द्विघाती विचलनकारी रेडिएटिव सुधारों (radiative corrections) को संतुलित कर सकते हैं। यह शोध पत्र अप-टाइप वेक्टर-लाइक $T$ -क्वार्क्स के युग्म-उत्पादन की खोज प्रस्तुत करता है, जिनसे तीसरी पीढ़ी के SM क्वार्क्स के साथ अधिमानतः युग्मन (coupling) की अपेक्षा की जाती है। विश्लेषण विशेष रूप से उस क्षय चैनल को लक्षित करता है जहाँ कम से कम एक $T$ -क्वार्क हिग्स बोसॉन और एक टॉप क्वार्क ( $T \to Ht$ ) में क्षय होता है, जिसके बाद $H \to b\bar{b}$ और $t \to \ell \nu_\ell b$ (जहाँ $\ell = e, \mu$ ) होता है। यह खोज $\sqrt{s} = 13$ TeV पर प्रोटॉन-प्रोटॉन टकराव डेटा का उपयोग करते हुए किया गया है।

कार्यप्रणाली
यह विश्लेषण लार्ज हैड्रॉन कोलाइडर (LHC) में ATLAS डिटेक्टर द्वारा एकत्र किए गए पूर्ण रन 2 डेटासेट का उपयोग करता है, जो 139 fb $^{-1}$ की एकीकृत ल्यूमिनोसिटी (integrated luminosity) के अनुरूप है।

घटना पुनर्निर्माण और चयन (Event Reconstruction and Selection): सिग्नल टोपोलॉजी की विशेषता ठीक एक आइसोलेटेड इलेक्ट्रॉन या म्यूऑन, महत्वपूर्ण लुप्त ट्रांसवर्स मोमेंटम ( $E_T^{\text{miss}}$ ), और कई जेट्स (jets) हैं, जिनमें $b$ -टैग्ड जेट्स भी शामिल हैं। भारी रेजोनेंस की 'बूस्टेड' प्रकृति को संभालने के लिए, विश्लेषण स्मॉल- $R$ जेट्स के रीक्लस्टरिंग के माध्यम से पुनर्गठित वेरिएबल-रेडियस ( $R_{\text{eff}}$ ) जेट्स का उपयोग करता है। इनका मास-टैगिंग (mass-tagging) हैड्रोनिक रूप से क्षय होने वाले $W$ , $H$ , और टॉप क्वार्क्स के उम्मीदवारों की पहचान करने के लिए किया जाता है। लेप्टोनिक टॉप-क्वार्क उम्मीदवारों को एक लेप्टोनिक $W$ -बोसॉन उम्मीदवार को $b$ -टैग्ड जेट के साथ जोड़कर पुनर्गठित किया जाता है।
बैकग्राउंड मॉडलिंग और रीवेटिंग (Background Modeling and Reweighting): प्रमुख बैकग्राउंड टॉप-क्वार्क पेयर प्रोडक्शन ( $t\bar{t}$ ), सिंगल-टॉप, और $V$ +जेट्स प्रक्रियाएं हैं। सिमुलेशन और डेटा के बीच विसंगतियों को दूर करने के लिए, विशेष रूप से उच्च जेट मल्टीसिटी और ट्रांसवर्स मोमेंटम पर $t\bar{t}$ और $V$ +जेट्स क्रॉस-सेक्शन की मॉडलिंग में, एक इटरेटिव डेटा-ड्रिवन रीवेटिंग तकनीक लागू की जाती है। यह $Z$ +जेट्स और $t\bar{t}$ घटनाओं से समृद्ध कंट्रोल रीजन के आधार पर बैकग्राउंड वितरण के नॉर्मलाइजेशन और आकार को ठीक करता है।
मल्टीवेरिएट विश्लेषण (Multivariate Analysis): सिग्नल और बैकग्राउंड के बीच अंतर करने के लिए एक फीड-फॉरवर्ड न्यूरल नेटवर्क (NN) का उपयोग किया जाता है। क्लासिफायर 30 इनपुट वेरिएबल्स का उपयोग करता है, जिसमें किनेमैटिक गुण (जैसे प्रभावी द्रव्यमान $m_{\text{eff}}$ , वेरिएबल- $R$ जेट्स के ट्रांसवर्स मोमेंटा) और टोपोलॉजिकल विशेषताएं (जैसे कोणीय पृथक्करण, घटक बहुलता) शामिल हैं। NN को सिमुलेटेड सिग्नल और बैकग्राउंड सैंपल्स पर प्रशिक्षित किया जाता है।
घटना वर्गीकरण (Event Categorization): घटनाओं को NN आउटपुट स्कोर ( $h_{\text{NN}}$ ), $b$ -टैग्ड जेट्स की संख्या (2, 3, या $\ge 4$ ), और $H$ -टैग्ड जेट्स की उपस्थिति के आधार पर सिग्नल रीजन (SRs) और कंट्रोल रीजन (CRs) में वर्गीकृत किया जाता है। NN स्कोर थ्रेशोल्ड के आधार पर तीन SR श्रेणियां परिभाषित की गई हैं: हाई-NN (HNN), मिड-NN (MNN), और लो-NN (LNN)। LNN क्षेत्र, जिसमें कम सिग्नल शुद्धता लेकिन उच्च बैकग्राउंड सांख्यिकी है, का उपयोग सांख्यिकीय फिट में बैकग्राउंड नॉर्मलाइजेशन को नियंत्रित करने के लिए किया जाता है।
सांख्यिकीय विश्लेषण (Statistical Analysis): सभी विश्लेषण क्षेत्रों में प्रभावी द्रव्यमान ( $m_{\text{eff}}$ ) वितरण पर एक बिन्ड प्रोफाइल-लाइक्लीहुड फिट किया जाता है। इसमें व्यवस्थित अनिश्चितताओं (प्रायोगिक और सैद्धांतिक) के लिए न्युसेंस पैरामीटर्स और विशिष्ट बैकग्राउंड घटकों ( $t\bar{t}+c$ और $t\bar{t}+b$ ) के लिए फ्री नॉर्मलाइजेशन फैक्टर्स शामिल हैं।

प्रमुख योगदान

बेहतर बैकग्राउंड मॉडलिंग: डेटा-ड्रिवन रीवेटिंग तकनीक का कार्यान्वयन $t\bar{t}$ और $V$ +जेट्स बैकग्राउंड के लिए डेटा और SM भविष्यवाणियों के बीच बेहतर सहमति प्रदान करता है, विशेष रूप से भारी रेजोनेंस खोजों के लिए प्रासंगिक किनेमैटिक रिजीम्स में।
उन्नत सिग्नल भेदभाव (Enhanced Signal Discrimination): न्यूरल नेटवर्क क्लासिफायर का उपयोग, लेप्टोनिक टॉप-क्वार्क उम्मीदवारों के स्पष्ट पुनर्निर्माण और युग्म-उत्पादित भारी कणों की बैक-टू-बैक टोपोलॉजी के लाभ के साथ मिलकर, इस चैनल में पिछले ATLAS खोजों की तुलना में बेहतर पृथक्करण शक्ति प्रदान करता है।
व्यापक परिदृश्य परीक्षण (Comprehensive Scenario Testing): यह खोज तीन अलग-अलग बेंचमार्क परिदृश्यों के तहत परिणामों की व्याख्या करती है: SU(2) सिंगलेट, SU(2) डबलट, और एक परिदृश्य जहाँ ब्रांचिंग फ्रैक्शन $B(T \to Ht)$ को 100% सेट किया गया है।

परिणाम
किसी भी विश्लेषण क्षेत्र में स्टैंडर्ड मॉडल भविष्यवाणी से घटनाओं का कोई महत्वपूर्ण अधिशेष (excess) नहीं देखा गया है। फलस्वरूप, वेक्टर-लाइक $T$ -क्वार्क्स के पेयर-प्रोडक्शन क्रॉस-सेक्शन पर 95% कॉन्फिडेंस लेवल (CL) पर ऊपरी सीमाएं (upper limits) निर्धारित की गई हैं।

$T$ -क्वार्क के लिए देखी गई निचली द्रव्यमान सीमाएं हैं:

SU(2) सिंगलेट प्रतिनिधित्व के लिए 1.40 TeV।
SU(2) डबलट प्रतिनिधित्व के लिए 1.56 TeV।
उस परिदृश्य के लिए जहाँ $B(T \to Ht) = 100\%$ है, 1.66 TeV।

ये सीमाएं SU(2) डबलट और $B(T \to Ht) = 100\%$ परिदृश्यों के लिए अब तक के सबसे कड़े प्रतिबंधों का प्रतिनिधित्व करती हैं, जो पिछले ATLAS सीमाओं को क्रमशः 0.07 TeV और 0.16 TeV तक बढ़ाती हैं। SU(2) सिंगलेट परिदृश्य के लिए, यह परिणाम पिछले ATLAS सीमा से 0.04 TeV का सुधार करता है। यह विश्लेषण मुख्य रूप से सांख्यिकीय अनिश्चितताओं द्वारा सीमित है।

महत्व
यह पेपर दावा करता है कि ये परिणाम निर्दिष्ट क्षय चैनलों और गेज रिप्रेजेंटेशन के लिए वेक्टर-लाइक $T$ -क्वार्क्स के लिए उपलब्ध सबसे कड़े बहिष्करण (exclusion) सीमा प्रदान करते हैं। पूर्ण रन 2 डेटासेट और उन्नत विश्लेषण तकनीकों (रीवेटिंग और मशीन लर्निंग) का उपयोग करके, यह खोज पिछले ATLAS विश्लेषणों की तुलना में उच्च द्रव्यमान रेंज को प्रभावी ढंग से प्रोब करती है। लेखक नोट करते हैं कि हालांकि वर्तमान खोज सांख्यिकीय रूप से सीमित है, रन 3 और हाई-ल्यूमिनोसिटी LHC से अपेक्षित बढ़ता डेटा वॉल्यूम और भी उच्च द्रव्यमान तक संवेदनशीलता बढ़ाने के लिए महत्वपूर्ण क्षमता प्रदान करता है। परिणामों को इवेंट यील्ड, व्यवस्थित अनिश्चितताओं और सांख्यिकीय वर्कस्पेस सहित, पुनर्व्याख्या (reinterpretation) के लिए HEPData के माध्यम से उपलब्ध कराया गया है।

मुख्य तस्वीर: "भारी जुड़वा" (Heavy Twins) की तलाश

रणनीति: "हेवीवेट बॉक्सिंग मैच"

जासूसी का काम: शोर को छाँटना

परिणाम: "नहीं मिला, लेकिन हमें पता है कि वे कहाँ नहीं हैं"

यह क्यों महत्वपूर्ण है

इसी तरह के और पेपर