Search for Beyond the Standard Model physics with anomaly detection in multilepton final states in $pp$ collisions at $\sqrt{s}=13$ TeV with the ATLAS detector

Questo studio presenta una ricerca modello-indipendente di nuova fisica oltre il Modello Standard negli stati finali multileptonici prodotti nelle collisioni protone-protone a 13 TeV con il rivelatore ATLAS, utilizzando l'apprendimento automatico non supervisionato su 140 fb⁻¹ di dati per identificare anomalie senza osservare eccessi significativi e stabilendo nuovi limiti su diversi modelli teorici.

L'essenziale

Immagina di essere un detective che lavora in una città immensa e caotica, dove ogni giorno accadono milioni di eventi. La tua missione è trovare qualcosa di nuovo e strano che non segue le regole conosciute della città.

Questo è esattamente ciò che ha fatto il team ATLAS al CERN (il laboratorio di fisica delle particelle a Ginevra) con questo nuovo studio. Ecco la spiegazione semplice, passo dopo passo.

1. Il Grande Laboratorio: L'ATLAS

Immagina l'acceleratore di particelle del CERN come un gigantesco treno ad alta velocità che scontra due treni l'uno contro l'altro. Quando questi "treni" (fasci di protoni) si scontrano, esplodono in una pioggia di milioni di particelle.
Il detector ATLAS è come una telecamera super-potente e super-veloce che scatta foto di ogni singola esplosione. In questo studio, gli scienziati hanno analizzato 140 miliardi di miliardi di collisioni (una quantità di dati enorme, chiamata 140 fb⁻¹).

2. Cosa stavano cercando? (Il "Mostro" o la "Fata")

Per anni, gli scienziati hanno cercato nuove particelle (come i "Vector-like leptons" o i "neutralini") disegnando prima un ritratto preciso di come pensavano che dovessero apparire. Era come cercare un mostro specifico in una foresta: sai che ha le corna, la coda lunga e la pelle verde. Se il mostro non ha le corna, lo ignori.

Il problema è: e se il nuovo "mostro" (la nuova fisica) avesse le ali invece delle corna? Se cerchi solo le corna, non lo vedrai mai.

3. La Nuova Strategia: Il Rilevatore di Anomalie (Anomaly Detection)

Invece di cercare un mostro specifico, questo studio ha usato un'intelligenza artificiale (machine learning) come un detective che non ha pregiudizi.

• L'idea: L'IA ha imparato a memoria come si comportano le particelle "normali" (quelle del Modello Standard, cioè la fisica che conosciamo). È come se avesse studiato milioni di foto di "gente normale" che cammina per strada.
• Il trucco: Poi, l'IA ha guardato tutte le nuove foto. Se vede qualcuno che cammina in modo strano, che indossa un cappello che non esiste, o che fluttua a mezz'aria, l'IA alza la mano e dice: "Ehi! Questo qui non è normale!".
• Non importa cosa sia esattamente quel "qualcosa di strano", l'importante è che non assomigli a nulla di conosciuto.

4. Il Campo di Caccia: Le "Particelle Luminose"

Per rendere la ricerca più facile, gli scienziati hanno deciso di guardare solo le collisioni che producono almeno quattro particelle luminose (elettroni o muoni).
Immagina una stanza buia piena di persone. La maggior parte delle persone tiene le mani nascoste. Ma ogni tanto, quattro persone accendono delle torce contemporaneamente.

• È molto raro che quattro persone accendano le torce da sole (è il "rumore di fondo" della natura).
• Se vedi quattro torce accendersi insieme, è molto probabile che ci sia qualcosa di speciale che le sta guidando.

5. Il Risultato: Silenzio... per ora

Gli scienziati hanno guardato tutte queste "torce" accese e hanno chiesto all'IA: "C'è qualcosa di strano?".

• Risultato: L'IA ha controllato tutto, ha confrontato i dati con le previsioni, e ha detto: "Tutto sembra normale".
• Non hanno trovato nessun "mostro" o "fata" nuova. Non c'era nessun eccesso di eventi strani.

6. Perché è comunque una vittoria?

Potresti pensare: "Se non hanno trovato nulla, a cosa è servito?".
Immagina di cercare un tesoro in un'isola. Non trovi il tesoro, ma disegni una mappa precisa di dove il tesoro non può essere nascosto.

• Questo studio ha detto ai teorici: "Se il vostro nuovo modello di particelle prevede che dovremmo vedere queste 'torce strane', allora il vostro modello è sbagliato (o almeno, non funziona in quel modo)".
• Hanno stabilito dei limiti: "Le particelle Vector-like Lepton non possono essere più leggere di X, altrimenti le avremmo viste".
• È la prima volta che usano questa tecnica di "rilevamento anomalie" su particelle luminose (invece che sui getti di particelle, che sono più comuni). È come aver provato un nuovo tipo di metal detector in un nuovo tipo di terreno.

In sintesi

Gli scienziati dell'ATLAS hanno usato un'intelligenza artificiale intelligente per cercare qualsiasi cosa di strano in un mare di dati, senza avere un'idea preconcetta di cosa cercare.
Non hanno trovato nulla di nuovo, ma hanno pulito il campo: hanno dimostrato che, in quelle condizioni, la natura si comporta esattamente come ci aspettavamo. Questo costringe gli scienziati a ripensare le loro teorie o a cercare in posti ancora più difficili. È un passo avanti nella comprensione dell'universo, anche se il "mostro" non è ancora stato catturato.

Sommario tecnico

Titolo: Ricerca di fisica oltre il Modello Standard con rilevamento di anomalie in stati finali multileptonici nelle collisioni $pp$a$\sqrt{s}=13$ TeV con il rivelatore ATLAS

Collaborazione: ATLAS Collaboration
Data: Marzo 2026
Dati: 140 fb$^{-1}$ di collisioni protone-protone raccolte durante il Run 2 del LHC.

---

1. Il Problema e l'Obiettivo

Il Modello Standard (SM) della fisica delle particelle, sebbene estremamente preciso, lascia irrisolte questioni fondamentali come l'origine delle masse dei fermioni, la natura della materia oscura e l'asimmetria barionica. Le tradizionali ricerche "modello-dipendenti" mirano a segnali specifici previsti da teorie oltre il Modello Standard (BSM), rischiando di perdere segnali di scenari non previsti o non modellati.

L'obiettivo di questo lavoro è condurre una ricerca agnostica rispetto al modello (model-agnostic) per scoprire nuova fisica in stati finali con almeno quattro leptoni leggeri (elettroni o muoni). Questa regione di fase è particolarmente interessante perché presenta un basso fondo del Modello Standard, rendendola ideale per la ricerca di segnali rari.

2. Metodologia

L'analisi si basa su una combinazione di tecniche di apprendimento automatico non supervisionato e strategie di analisi statistiche avanzate.

• Rilevamento di Anomalie (Anomaly Detection - AD):

  • Viene utilizzata una tecnica di rilevamento di outlier basata su Normalizing Flows (flussi normalizzanti), un modello di machine learning generativo.
  • Il modello viene addestrato esclusivamente su simulazioni Monte Carlo (MC) dei processi di fondo del SM per apprendere la distribuzione di probabilità degli eventi "normali".
  • Viene calcolato un punteggio di anomalia ($s(x)$) per ogni evento basato sulla densità di probabilità: eventi con bassa probabilità (outlier) ricevono un punteggio alto, indicando una possibile deviazione dal SM.
  • Le variabili di input includono grandezze cinematiche ad alto livello come $H_T$ dei leptoni, $E_T^{miss}$, masse invarianti di coppie di leptoni (vicine alla massa del bosone $Z$), e punteggi di b-tagging pseudo-continui.

• Definizione delle Regioni di Ricerca:
  Gli eventi sono suddivisi in tre canali principali basati sulla carica totale e il numero di leptoni:

  1. $4\ell$ con carica totale $Q=0$: Divisi in base al numero di coppie leptoniche (SFOS) e alla presenza di candidati $Z$.
  2. $4\ell$ con carica totale $Q=\pm2$: Dominati da fondi con leptoni non prompt.
  3. $\ge 5\ell$: Cinque o più leptoni.

  Vengono definite due strategie di analisi:

  • Analisi Indipendente dal Modello: Utilizza "regioni di scoperta" (discovery regions) dove si cerca un eccesso di eventi in regioni ad alto punteggio di anomalia, senza assumere un modello specifico.
  • Analisi Dipendente dal Modello: Utilizza "regioni di benchmark" per testare la sensibilità a modelli specifici, effettuando un fit simultaneo su tutte le regioni.

• Stima del Fondo:
  I fondi principali ($ZZ$, $t\bar{t}Z$, $VVV$, processi con leptoni non prompt) sono stimati tramite simulazione MC, normalizzati ai dati in cinque Regioni di Controllo (CR) ortogonali alle regioni di segnale. Queste CR sono arricchite in processi specifici (es. $WZ$, conversioni di fotoni, decadimenti di adroni pesanti) per determinare i fattori di normalizzazione tramite un fit di massima verosimiglianza.

3. Contributi Chiave

• Prima applicazione AD in stati multileptonici: Questo è il primo esperimento di rilevamento di anomalie condotto in canali multileptonici da ATLAS (precedentemente focalizzati su stati finali con getti).
• Approccio Ibrido: Integrazione di un'analisi puramente indipendente dal modello (per la scoperta generica) con un'analisi modello-dipendente (per la caratterizzazione).
• Nuovi Limiti su Modelli Complessi: Per la prima volta, vengono stabiliti limiti su un modello di Leptoni Vettoriali (VLL) "flavourful", che prevede decadimenti che violano il sapore leptonico e producono stati finali con fino a sei leptoni.
• Ottimizzazione dello Spazio delle Fasi: L'uso dei Normalizing Flows permette di identificare regioni di anomalia che potrebbero essere state trascurate da tagli cinematici tradizionali, massimizzando la sensibilità a segnali rari.

4. Risultati

• Osservazioni: Non è stato osservato alcun eccesso significativo rispetto alle aspettative del Modello Standard in nessuna delle regioni di ricerca.

  • La massima deviazione locale osservata è di $2\sigma$ (nelle regioni $Q=\pm2$ e $0Z$ 2SFOS con punteggio >99.9%), ma la significatività globale, tenendo conto dell'effetto "look-elsewhere", è di soli $0.90\sigma$.
  • I dati sono consistenti con le previsioni del SM.

• Limiti di Esclusione (Model-Independent):
  Vengono stabiliti limiti sul sezione d'urto visibile esclusa ($\sigma_{vis}$) per ciascuna regione di scoperta indipendente dal modello.

• Limiti di Esclusione (Model-Dependent):
  Vengono imposti limiti al 95% di livello di confidenza (CL) su diversi modelli benchmark:

  • Leptoni Vettoriali (VLL):
    • Singoletto $SU(2)$($VLL^S_e, VLL^S_\mu$): Esclusi fino a masse di ~290-320 GeV.
    • Doppietto $SU(2)$($VLL^D_e, VLL^D_\mu$): Esclusi fino a masse di ~850-925 GeV.
    • Modelli Flavourful: Per la prima volta, vengono esclusi VLL flavourful fino a masse di 1300 GeV (per $VLL_e$) e 1280 GeV (per $VLL_\mu$), indipendentemente dalla massa dello scalare associato $S$ (eccetto per valori estremi).
  • Supersimmetria (SUSY):
    • Chargini e neutralini simili a wino: Esclusi fino a 1600 GeV.
    • Smuoni ($\tilde{\mu}$): Esclusi fino a 495 GeV. Per differenze di massa $\Delta m(\tilde{\mu}, \tilde{\chi}^0_1) > 140$ GeV, questo risultato è più sensibile dei limiti precedenti basati su analisi dedicate.

5. Significato e Conclusioni

Questa analisi dimostra l'efficacia delle tecniche di rilevamento di anomalie non supervisionate nella fisica delle alte energie, offrendo una via complementare alle ricerche tradizionali basate su modelli specifici.

• La metodologia ha confermato la validità del Modello Standard in un regime di alta molteplicità leptonica.
• Ha stabilito nuovi limiti stringenti su scenari BSM complessi, in particolare sui leptoni vettoriali flavourful, che erano precedentemente poco esplorati in questo canale.
• I risultati mostrano che l'approccio AD è competitivo con le analisi dedicate, e in alcuni casi (come per gli smuoni in certi regimi di massa) supera la sensibilità delle ricerche tradizionali, aprendo la strada a future ricerche più ampie e meno vincolate da ipotesi teoriche predefinite.