⚛️ high-energy experiments

Search for squarks and gluinos in $pp$ collisions at $\sqrt{s} = 13$ TeV and $13.6$ TeV in events with $τ$ -leptons, jets and missing transverse momentum using the ATLAS detector

本論文では、ATLAS検出器を用い、140 fb⁻¹および51.8 fb⁻¹のデータに基づき、タウレプトン、ジェット、および欠損横運動量を含む13および13.6 TeVの陽子・陽子衝突におけるRパリティ保存型超対称性の探索を提示し、2.25 TeV未満のグルイーノ質量および1.7 TeVまでのスカラーク質量の範囲を排除する。

原著者： ATLAS Collaboration

公開日 2026-02-09

📖 1 分で読めます🧠 じっくり読む

CC BY 4.0

原著者： ATLAS Collaboration

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

全体像：「ゴースト」粒子を探す

宇宙を、巨大で超高速のカーレースだと想像してみてください。**大型ハドロン衝突型加速器（LHC）**はレースのトラックであり、ATLAS検出器はあらゆる衝突を記録する、超高速の巨大カメラシステムです。

物理学者は、このレースのルールを非常によく知っています。このルールブックは**標準模型（Standard Model）と呼ばれます。これは、電子やクォークのような粒子がどのように振る舞うかを説明するものです。しかし、このルールブックには穴があります。なぜ重力が他の力に比べてこれほど弱いのか、あるいはダークマター（銀河を繋ぎ止めている目に見えない物質）**の正体は何なのか、といったことが説明できていないのです。

これらの穴を埋めるために、科学者たちは**超対称性（SUSY）**という理論を提唱しています。これは「影の世界」の理論のようなものです。既知の粒子（クォークなど）に対して、それぞれ、より重くて目に見えない「スーパーパートナー（超対称パートナー）」（スクォークやグルイーノなど）が存在することを示唆しています。もしこれらのスーパーパートナーが存在するならば、それらはダークマターの完璧な候補となるでしょう。

ミッション：影を捕まえろ

問題は、これまで一度もこれらのスーパーパートナーが目撃されていないことです。もし存在するとすれば、それらは非常に重く、発生した瞬間に他の粒子へと崩壊（分解）してしまうと考えられます。

この論文では、これらスーパーパートナーの特定の「シグネチャー（特徴的な兆候）」の探索について記述しています。科学者たちは、次のような衝突を探しています：

ジェット（Jets）： 普通の粒子の噴出（衝突による破片のようなもの）。
タウ・レプトン（Tau Leptons）： 特定の重いタイプの粒子（「重い電子」のようなもの）。
欠損横運動量（Missing Transverse Momentum）： これが最も重要な手がかりです。通常の衝突では、破片はあらゆる方向に飛び出し、完璧にバランスが取れます。もしカメラが、一方の方向に破片が飛んでいるのに、反対側には何も飛んでいないのを見つけたとしたら、それは何か目に見えないものがトラックの外へ飛び去ったことを意味します。この理論において、その「目に見えない何か」こそが、ダークマターの候補である**最軽量超対称粒子（LSP）**です。

戦略：2つの異なる探偵スタイル

チームはデータを単一の方法で見たわけではありません。何かを見逃さないよう、2つの異なる探偵スタイルを用いました。

1. 「カット・アンド・カウント」アプローチ（厳格なフィルター）
池の中で特定の種類の魚を探していると想像してください。あなたは非常に具体的な穴が開いた網を用意します。「5インチより大きく、赤いヒレを持ち、左に泳いでいる魚だけを捕まえる」といった具合です。

仕組み： 科学者たちはデータに対して厳格なルール（カット）を設定しました。例えば、「欠損エネルギーが非常に大きい衝突のみを見る」や「タウ粒子が非常にゆっくり動いている衝突のみを見る」といった具合です。
理由： これは、予測可能な特定のパターンを見つけるのに適しています。彼らは異なるシナリオに合わせて、異なる「網」を作成しました。一つは「圧縮された（compressed）」モデル（スーパー粒子同士の質量差が小さいモデル）用、もう一つは「高質量（high mass）」モデル用です。

2. 機械学習アプローチ（スマートなAI）
厳格なルールを設定する代わりに、数百万枚の「通常の衝突」の写真と、数枚の「影の衝突」の写真を学習させた、超スマートなAIを雇うことを想像してください。

仕組み： 彼らはコンピューターに数百万回のシミュレーションされた衝突を読み込ませました。AIは、人間が見逃すかもしれない微妙なパターンを識別することを学習しました。AIは単一の数値を見るのではなく、イベント全体の「形」を見ました。
結果： AIはすべての衝突に対して、0から1までの「疑わしさスコア」を算出します。スコアが高ければ、それは影の粒子の可能性があります。スコアが低ければ、それは通常の衝突です。この手法は非常に包括的であり、より幅広い潜在的な信号を捉えることができます。

データ：巨大なライブラリ

科学者たちは、わずかな衝突を見たのではありません。膨大なデータのライブラリを分析しました。

140ペタバイトのデータ（2015年〜2018年に収集）。
51.8ペタバイトのデータ（2022年〜2023年に収集）。
彼らは3つの異なる「チャンネル（衝突のタイプ）」を調査しました：
ちょうど1つのタウ粒子があり、他に軽い粒子がない場合。
ちょうど1つのタウ粒子があり、少なくとも1つの他の軽い粒子（電子またはミューオン）がある場合。
2つ以上のタウ粒子がある場合。

課題：「偽物」の手がかり

この仕事で最も難しいことの一つは、本物の「タウ粒子」と「偽のタウ」を区別することです。

例え話： 特定の種類の鳥を探しているとします。しかし、時として雲が鳥のように見えたり、ゴミが鳥のように見えたりすることがあります。
解決策： 科学者たちは「データ駆動型」の手法を用いました。彼らは、影の粒子が「存在しないことが分かっている」領域のデータを調べ、雲がどれくらいの頻度で鳥のように見えるかをカウントし、その数学を用いて、メインの探索エリアにどれくらいの「偽の鳥」が含まれているかを推定しました。これにより、ノイズを差し引き、真の信号を見極めることができました。

結果：影の沈黙

数字を走らせ、AIのスコアを確認し、厳格なフィルターを実際のデータと比較した後、結果は明白でした。何も見つかりませんでした。

ゴーストなし： 標準模型からの有意な偏差は見られませんでした。「欠失エネルギー」のイベント数は、既知の物理学が予測したものと正確に一致していました。
除外（Exclusion）： 粒子を発見することはできませんでしたが、それらが「どこに存在しないか」を知ることはできました。
- 彼らは95%の信頼度で、グルイーノ（一種のスーパーパートナー）が2.25 TeV（非常に重い質量）よりも軽くはないと言えます。
- また、スクォークが1.7 TeVよりも軽くはないことも言えます。
- 彼らは、多くの特定の質量組み合わせのパターンを排除しました。

結論

この探索は、干し草の山の中から針を探すようなものだと考えてください。科学者たちは針を見つけませんでした。しかし、より優れた磁石（新しい検出器）、より大きな干し草の山（より多くのデータ）、そしてよりスマートな探索アルゴリズム（機械学習）を使用することで、針が干し草の山の底半分には存在しないことを証明することができました。

彼らは、これらの粒子が存在し得るところの境界線を押し広げ、理論家たちに次にどこを探すべきかを再考させることに成功したのです。探索は続きますが、「簡単に」これらの粒子が見つかるはずだった場所は、すでに排除されました。

技術要約： $\tau$ レプトン、ジェット、および欠損横運動量を含むイベントにおけるスクォークおよびグルイーノの探索

問題と動機
標準模型（SM）は、実験的には強固であるものの、依然として不完全な有効理論である。それは階層性問題、ヒッグス・ポテンシャルの微調整、およびダークマターの性質といった課題に対処できていない。超対称性（SUSY）は、ボソンとフェルミオンの間に対称性を導入する理論的な拡張を提示しており、既知のすべての粒子に対する超対称パートナーの存在を予測している。多くのSUSYシナリオでは、Rパリティが保存されており、これは超対称粒子がペアで生成されること、および最も軽い超対称粒子（LSP）が安定であり、生存可能なダークマター候補となることを意味している。

本論文は、Rパリティ保存型SUSY、特にグルイーノ（ $\tilde{g}$ ）および第1または第2世代の左巻きスクォーク（ $\tilde{q}$ ）のペア生成を対象とした探索を提示する。この解析は、これらの粒子が中間状態（ $\tilde{\chi}^{\pm}_1, \tilde{\chi}^0_2$ ）を経由して $\tau$ スレプトン（ $\tilde{\tau}$ ）または $\tau$ スネウトリノ（ $\tilde{\nu}_{\tau}$ ）へとカスケード崩壊し、その後、LSP（ $\tilde{\chi}^0_1$ ）とSMの $\tau$ レプトンまたは $\nu_{\tau}$ へと崩壊する崩壊過程に焦点を当てている。その結果、ハドロン崩壊する $\tau$ レプトン、ジェット、および顕著な欠損横運動量（ $E^{\text{miss}}_T$ ）を特徴とする最終状態が生じる。以前のATLAS（2015–2016年）およびCMS（2011年）による探索では、グルイーノ質量が2 TeVおよび1.15 TeV未満であることが除外されている。本解析は、改良された再構成技術と高度な解析戦略を活用することで、フルRun 2データセットおよび初期Run 3データを用いてこれらの限界を拡張することを目指している。

手法
本解析は、ATLAS検出器によって収集された、重心エネルギー $\sqrt{s} = 13$ TeV（2015–2018年、140 fb $^{-1}$ ）および $\sqrt{s} = 13.6$ TeV（2022–2023年、51.8 fb $^{-1}$ ）の陽子・陽子衝突データを利用する。

イベント選択とチャネル: イベントは、 $E^{\text{miss}}_T > 200$ GeV、少なくとも1つのハドロン崩壊する $\tau$ レプトン、および少なくとも2つのジェット（うち1つは $p_T > 120$ GeV）という事前選択を通過する必要がある。探索は、レプトン含有量に基づき、以下の3つの直交するチャネルに分割される：
1. 1tau0lep: 正確に1つのハドロン $\tau$ が存在し、電子またはミューオンが存在しない。
2. 1tau1lep: 正確に1つのハドロン $\tau$ が存在し、少なくとも1つの電子またはミューオンが存在する。
3. 2tau: 2つ以上のハドロン $\tau$ レプトンが存在する。
解析戦略: 2つの独立したアプローチを採用し、それらを統計的に結合する：
1. 機械学習（ML）アプローチ: ブースティング決定木（XGBoost）を用いた多クラス分類を用い、信号とSM背景事象（ $W$ +jets、 $Z$ +jets、ダイボソン、Top、および偽の $\tau$ を含む）を区別するように学習させる。全位相空間を利用し、分類器のスコアが高い（>0.75–0.8）信号領域（SR）を定義する。このアプローチは、硬い運動学的カットを課すことなく、変数間の相関を捉えることができる。
2. カット・アンド・カウント（Cut-and-Count）アプローチ: 特定の信号トポロジーに最適化された選択カットを適用してSRを定義する。これには、「圧縮（Compressed）」SR（軟らかい $\tau$ レプトンを伴う低質量分裂 $\Delta m$ を対象とする）および「高質量（High Mass）」SR（大きな質量分裂を対象とする）が含まれる。運動学的変数（ $E^{\text{miss}}_T, H_T, m_T, m_{T2}$ など）がビニングに使用される。
背景事象の推定:
- Topおよびダイボソン: 専用の制御領域（CR）においてデータに正規化されたモンテカルロ（MC）シミュレーションを用いて推定する。
- 偽の $\tau$ （ $\tau$ と誤認されたジェット）: データ駆動型のユニバーサル・フェイク・ファクター（UFF）法を用いて推定する。フェイクファクターは、専用の領域（Multijet、 $Z(\ell\ell), W(\mu\nu)$ ）で測定され、解析の反識別領域に適用される。
- 系統誤差: デテクタの較正（ジェット、 $\tau$ 、レプトン）、ルミノシティ、パイルアップ、理論的モデリング（PDF、スケール変動）、およびデータ駆動型手法における統計的不確かさを含む、包括的な誤差セットを考慮する。
統計解析: すべてのCR、検証領域（VR）、およびSRに対して、同時尤度フィット（HistFitter/pyhfを使用）を行う。背景事象のみのフィットはモデリングの検証に使用され、モデル依存のフィット（CL $_s$ 処方）は、簡約化されたSUSYモデルに対する除外限界を設定するために使用される。

主な貢献

Run 2とRun 激の結合: 本解析は、フルRun 2データセットと13.6 TeVでの初期Run 3データを組み合わせた、このチャネルにおける初のATLAS探索であり、これにより統計的精度が大幅に向上した。
デュアル戦略アプローチ: 機械学習ベースのアプローチとカット・アンド・カウント戦略を同時に用いることで、異なるSUSYパラメータ空間の領域に対して最適な感度を実現している。MLアプローチは高質量領域で優れており、カット・アンド・カウントアプローチは、専用の圧縮SRにより、低質量分裂シナリオにおいて優れている。
高度な背景事象モデリング: 偽の $\tau$ 推定のためのUFF法の導入、および信号/背景分離のための多クラスBDTの使用は、以前の反復に対する洗練を示している。
包括的なチャネル結合: 1tau0lep、1tau1lep、および2tauチャネルの統計的結合により、様々な崩壊トポロジーに対する感度を最大化している。

結果
信号領域のいずれにおいても、標準模型の予測からの有意な偏差は見られなかった。最大の局所的な超過の有意性は $2\sigma$ 未満であった。

除外限界:
- グルイーノモデル: LSP質量（ $m_{\tilde{\chi}^0_1}$ ）が1.35 TeVまでの場合、グルイーノ質量（ $m_{\tilde{g}}$ ）が2.25 TeVまで除外される。圧縮領域では、 $\Delta m(\tilde{g}, \tilde{\chi}^0_1) > 150$ GeV のモデルが除外される。
- スクォークモデル: LSP質量が0.85 TeVまでの場合、スクォーク質量（ $m_{\tilde{q}}$ ）が1.7 TeVまで除外される。圧縮領域では、 $\Delta m(\tilde{q}, \tilde{\chi}^0_1) > 130$ GeV のモデルが除外される。
- 比較: これらの限界は、より大きなデータセット、改良された $\tau$ レプトン識別、および機械学習技術の導入により、以前の探索（例：2015–2016年の解析）と比較して大幅な改善を示している。
モデル独立な限界: 特定のSRにおける新しい物理プロセスの可視断面積（ $\sigma_{\text{vis}}$ ）の上限が、95%信頼区間で0.02から0.31 fbの範囲で設定された。

意義
本論文は、 $\tau$ に富むカスケード崩壊を伴うグルイーノまたはスクォークのペア生成を含む簡約化されたSUSYモデルに対し、現在までで最も厳しい制限を課すものであると結論付けている。信号の不在は、Rパリティ保存型SUSYのパラメータ空間を制約し、特に以前はアクセス可能であった軽いグルイーノおよびスクォークのシナリオを排除している。本研究は、従来のカットベースの手法と機械学習を組み合わせること、および初期Run 3データを利用して、より高い質量スケールやより圧縮されたスペクトルを探索することの有効性を実証している。結果は簡約化されたモデルの文脈で解釈されているが、同様の最終状態を生み出す他のSUSYフレームワーク（NUHM、mSUGRA、またはGMSBなど）にも適用可能である。