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

Utilizzando 138 fb$^{-1}$ di dati di collisione protone-protone a 13 TeV, la collaborazione CMS ha eseguito una ricerca di elettrowinos simili a higgsino quasi degeneri in massa tramite tracce isolate a basso impulso e impulso trasverso mancante, non trovando alcun eccesso significativo e stabilendo limiti di esclusione stringenti sulle masse dei chargino fino a 185 GeV per scissioni di massa comprese tra 0,28 e 1,15 GeV.

L'essenziale

Il quadro generale: Cacciare "gemelli spettrali"

Immagina di essere un detective alla ricerca di un tipo molto specifico di criminale. Questo criminale è un "fantasma" che non lascia mai un'impronta digitale, ma lascia comunque una piccola impronta quasi invisibile.

Nel mondo della fisica delle particelle, gli scienziati al CERN (Organizzazione Europea per la Ricerca Nucleare) stanno cercando prove della Supersimmetria (SUSY). Pensa alla SUSY come a un "mondo d'ombra" dove ogni particella nota ha un gemello più pesante e invisibile. Un tipo specifico di questi gemelli è chiamato higgsino.

Il problema? Questi higgsini sono molto timidi. Se esistono, potrebbero essere così simili in peso ai loro partner che si muovono appena quando decadono (si spezzano). Questo li rende incredibilmente difficili da individuare, come cercare di trovare un sussurro in un uragano.

Il mistero specifico: Lo scenario "compresso"

Questo documento si concentra su una situazione complicata chiamata "spettro compresso".

• L'analogia: Immagina una pesante palla da bowling (la particella pesante) che rotola giù per una collina. Di solito, quando si rompe, lancia fuori una palla da tennis (una nuova particella) con molta velocità. Puoi vedere facilmente la palla da tennis che vola via.
• La svolta: In questo scenario specifico, la palla da bowling e la palla da tennis hanno quasi esattamente lo stesso peso. Quando la palla da bowling si rompe, la palla da tennis non vola via; rotola appena in avanti. Si muove così lentamente (ha "basso momento") che sembra galleggiare lì.

Poiché queste particelle sono così pesanti e si muovono così lentamente, non lasciano il rivelatore rapidamente. Invece, percorrono una distanza minuscola (fino a circa 1 centimetro) prima di trasformarsi in un singolo pione lento (un tipo di particella). Questo crea una "traccia morbida e isolata" — una linea debole e corta nel rivelatore che non si collega al sito principale dell'urto.

La sfida: Trovare un ago in un pagliaio

Gli scienziati stanno cercando queste tracce deboli e lente in un enorme mucchio di dati.

• Il pagliaio: Il Large Hadron Collider (LHC) fa scontrare protoni miliardi di volte. La maggior parte di questi urti crea un caos di particelle (rumore di fondo).
• L'ago: Il segnale che cercano è una singola traccia lenta che appare leggermente lontano dal centro dell'urto, accompagnata da molta "energia mancante" (perché le particelle spettrali sfuggono al rivelatore senza essere viste).

La difficoltà è che il rumore di fondo è enorme. Ci sono molte tracce false causate dal rivelatore che si confonde o da altre interazioni comuni di particelle. Distinguere il vero segnale "spettrale" dal rumore è come cercare di sentire una persona specifica che sussurra in uno stadio pieno di tifosi che urlano.

La soluzione: Un detective AI intelligente

Per risolvere questo problema, il team CMS non ha usato solo regole semplici (come "se la traccia è lunga così, contala"). Invece, hanno costruito una Rete Neurale (un tipo di intelligenza artificiale).

• Come funziona: Immagina di addestrare un cane a trovare un odore specifico. Mostri al cane migliaia di esempi dell'odore "spettrale" (segnale simulato) e migliaia di esempi di "rumore" (fondo).
• L'addestramento: L'IA è stata alimentata con dati sulle tracce: quanto velocemente si muovevano, esattamente dove iniziavano e quanto si discostavano dal centro. Ha imparato a individuare i modelli sottili che l'occhio umano o la matematica semplice perderebbero.
• Il risultato: L'IA agisce come un filtro, ordinando milioni di tracce e dicendo: "Questa sembra un fantasma", oppure "Questa è solo rumore".

L'indagine: Cosa hanno trovato?

Il team ha analizzato i dati di 138 trilioni di collisioni di protoni (138 fb⁻¹) registrati tra il 2016 e il 2018. Hanno usato la loro IA per scansionare la specifica firma della "traccia lenta".

Il verdetto:

• Nessun fantasma trovato: Dopo aver esaminato tutti i dati, non hanno trovato alcuna prova di questi gemelli higgsino. Il numero di eventi osservati corrispondeva esattamente a quanto predetto dal Modello Standard (la nostra attuale migliore teoria della fisica) per il normale rumore di fondo.
• Esclusione di possibilità: Anche se non hanno trovato le particelle, hanno imparato qualcosa di importante. Ora possono affermare con il 95% di confidenza che, se questi higgsini esistono, non possono essere leggeri quanto 185 GeV (un'unità di massa) se la differenza di massa tra loro è piccola.

La conclusione: Chiudere la finestra

Pensa a questa ricerca come alla chiusura di una porta su una stanza specifica di una casa.

• Prima di questo documento, gli scienziati non sapevano se questi higgsini "compressi" si nascondevano in quella stanza.
• Dopo questo documento, possono dire: "Abbiamo guardato ovunque in quella stanza, e gli higgsini non sono lì (almeno non con la massa e la velocità che abbiamo testato)".

Questo pone limiti rigorosi alla "Supersimmetria Naturale". Dice ai teorici che, se queste particelle esistono, devono essere più pesanti o comportarsi diversamente rispetto ai modelli specifici "compressi" testati in questo documento. La ricerca continua, ma questo specifico nascondiglio è stato controllato a fondo e trovato vuoto.

Sommario tecnico

1. Enunciato del Problema e Motivazione Fisica

La ricerca mira a supersimmetria (SUSY) a spettro compresso, in particolare scenari che coinvolgono elettrodeboli di tipo higgsino. In questi modelli, il neutralino più leggero ($\tilde{\chi}^0_1$) è la Particella Supersimmetrica più Leggera (LSP) e un candidato per la materia oscura. Le particelle supersimmetriche più leggere successive (NLSP) — il chargino più leggero ($\tilde{\chi}^\pm_1$) e il secondo neutralino ($\tilde{\chi}^0_2$) — sono quasi degeneri in massa con l'LSP.

• La Sfida: Quando la separazione di massa ($\Delta m^\pm = m(\tilde{\chi}^\pm_1) - m(\tilde{\chi}^0_1)$) è piccola (specificamente 0,3–1 GeV), il decadimento $\tilde{\chi}^\pm_1 \to \tilde{\chi}^0_1 \pi^\pm$ produce un pione a momento molto basso (soft).
• Difficoltà di Rilevamento:
  • Se $\Delta m^\pm \lesssim 0,3$ GeV, il chargino è abbastanza longevo da produrre una firma di "traccia che scompare".
  • Se $\Delta m^\pm \gtrsim 1$ GeV, il pione è abbastanza energetico da essere ricostruito facilmente come una traccia standard.
  • Il "Vuoto": Nella gamma intermedia (0,3–1 GeV), il pione ha un momento trasverso ($p_T$) tipicamente inferiore a 1 GeV e uno spostamento fino a ~1 cm dal vertice primario (PV). Queste tracce vengono spesso perse a causa delle soglie standard di ricostruzione o confuse con il fondo proveniente dal pileup e dagli eventi sottostanti.

2. Metodologia

Dati e Selezione

• Dataset: 138 fb$^{-1}$ di dati di collisioni protone-protone a $\sqrt{s} = 13$ TeV raccolti dal rivelatore CMS (2016–2018).
• Trigger: Gli eventi sono selezionati con una soglia di momento trasverso mancante ($p_T^{miss}$) di $>120$ GeV.
• Selezione Offline:
  • $p_T^{miss} > 300$ GeV e $H_T^{miss} > 300$ GeV (somma scalare dei $p_T$ dei jet).
  • Almeno una traccia isolata con $p_T < 20$ GeV e $|\eta| < 2,4$.
  • Veto su elettroni, muoni, fotoni isolati e leptoni $\tau$ adronici.
  • Veto su jet etichettati come contenenti quark $b$ e su eventi con $\ge 5$ jet.
  • Requisiti sulla separazione angolare ($\Delta\phi$) tra $p_T^{miss}$ e i jet per rifiutare i fondi QCD multijet.

Stima del Fondo

I fondi dominanti sono:

1. $Z \to \nu\nu$ + jets: $p_T^{miss}$ genuina dai neutrini.
2. $W \to \ell\nu$: Dove il leptone è perso o non supera l'identificazione.
3. Multijet QCD: $p_T^{miss}$ mal misurata e tracce fake.
4. Tracce Secondarie: Tracce provenienti dal pileup, eventi sottostanti o decadimenti di particelle prodotte al vertice primario (associate al PV).

Le rese di fondo sono stimate utilizzando simulazioni corrette con metodi guidati dai dati:

• Normalizzazione: Fattori di scala derivati da regioni di controllo (CR) utilizzando eventi $Z \to \mu\mu$ (per $Z \to \nu\nu$) e distribuzioni inclusive dello spostamento longitudinale delle tracce ($d_z$) (per tracce associate al PV e spurie).
• Raffinamento: Una regressione multivariata basata sulla metodologia Fast Perfekt è utilizzata per correggere la mancata modellazione nella simulazione della cinematica delle tracce e dei parametri di impatto, garantendo che le distribuzioni simulate corrispondano ai dati nelle regioni di controllo.

Strategia di Machine Learning

Una Rete Neurale (NN) feedforward parametrizzata è il cuore dell'analisi per distinguere le tracce di segnale dal fondo.

• Architettura: Tre livelli nascosti con 256 unità ciascuno, utilizzando attivazioni LeakyReLU.
• Input: 37 osservabili inclusi cinematica delle tracce ($p_T$, $\eta$), qualità del fit elicoidale, significatività del parametro di impatto ($IP_{xy}$) rispetto al PV e ai vertici di pileup, e $p_T^{miss}$ a livello di evento.
• Parametrizzazione: La rete è addestrata con la differenza di massa di input ($\Delta m^\pm_{in}$) come parametro (0,3, 0,6 e 1,0 GeV) per catturare le correlazioni attraverso lo spazio delle fasi del segnale.
• Output: La NN classifica le tracce in cinque categorie: Segnale, tracce di decadimento $\tau$, altre tracce secondarie, tracce prompt del PV e tracce spurie.
• Regioni di Segnale (SR): Gli eventi sono categorizzati in base al punteggio della NN ($\tilde{P}$) per la classe di segnale. Sono definite tre SR distinte corrispondenti ai valori di $\Delta m^\pm_{in}$ di input, ciascuna ulteriormente binnata in base al punteggio per massimizzare la sensibilità.

3. Contributi Chiave

1. Nuovo Canale di Ricerca: Questa è una delle prime ricerche specificamente mirate al difficile regime di separazione di massa 0,3–1 GeV utilizzando tracce isolate a basso momento con un approccio NN dedicato. Le ricerche precedenti si concentravano su tracce che scompaiono ($\Delta m < 0,3$ GeV) o su leptoni soft ($\Delta m > 1$ GeV).
2. Modellazione Avanzata del Fondo: L'uso di una NN parametrizzata consente un trattamento unificato di segnale e fondo attraverso diverse separazioni di massa, migliorando significativamente la sensibilità rispetto alle analisi tradizionali basate su tagli.
3. Raffinamento Guidato dai Dati: L'implementazione della tecnica di regressione Fast Perfekt per correggere la mancata modellazione nella simulazione delle proprietà delle tracce soft (parametri di impatto e $p_T$) garantisce una stima robusta del fondo in una regione dominata da inefficienze di ricostruzione.

4. Risultati

• Osservazione: Non è stato osservato alcun eccesso significativo di eventi rispetto all'aspettativa del Modello Standard in nessuna delle 12 Regioni di Segnale. I dati sono coerenti con l'ipotesi di solo fondo.
• Limiti di Esclusione (Livello di Confidenza 95%):
  • Separazione di Massa: Il modello higgsino è escluso per separazioni di massa nell'intervallo 0,28–1,15 GeV.
  • Massa del Chargino:
    • Per una separazione di massa di 0,55 GeV, sono escluse masse di chargino fino a 185 GeV.
    • Per una massa di chargino di 100 GeV, sono escluse separazioni di massa comprese tra 0,28 e 1,15 GeV.
• Confronto: Questi limiti sono i più stringenti a oggi per questo specifico regime a spettro compresso, chiudendo efficacemente una lacuna significativa nella ricerca di materia oscura higgsina naturale.

5. Significato

Questa analisi affronta un critico "punto cieco" nella ricerca di supersimmetria naturale. Gli argomenti sulla naturalità suggeriscono che gli higgsini dovrebbero essere leggeri (vicino alla scala elettrodebole, $\sim 100$ GeV) per evitare la sintonizzazione fine. Tuttavia, se la separazione di massa è piccola, i pionini risultanti sono difficili da rilevare.

Ricostruendo e identificando con successo queste tracce soft, potenzialmente spostate, utilizzando un approccio sofisticato di machine learning, questo risultato:

• Vincola la SUSY Naturale: Impone vincoli severi allo spazio dei parametri per gli scenari higgsini naturali, spingendo il limite inferiore sulla massa del chargino significativamente più alto rispetto ai limiti precedenti in questo specifico regime cinematico.
• Dimostra la Metodologia: Convalida l'uso di reti neurali parametrizzate e tecniche avanzate di ricostruzione delle tracce per sondare firme a basso momento, una strategia che sarà essenziale per le future corse ad alta luminosità dell'LHC e per i futuri collider.
• Implicazioni per la Materia Oscura: Restringe la finestra percorribile per la materia oscura higgsina, suggerendo che se gli higgsini esistono, devono essere o più pesanti di 185 GeV (aumentando la sintonizzazione fine) o avere separazioni di massa al di fuori dell'intervallo 0,28–1,15 GeV.