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

ATLAS 検出器を用いた 13 TeV の陽陽子衝突データ（140 fb$^{-1}$）に基づき、4 つ以上の軽レプトンを終状態とする異常検出アプローチによるモデル非依存の標準模型を超える物理の探索が行われ、標準模型の背景期待値を超える有意な過剰は観測されず、ベクトル様レプトンや超対称性粒子などのベンチマークモデルに対する制限が初めて設定されました。

要約

未知の「幽霊」を探す：ATLAS 実験の新しい探偵物語

この論文は、世界最大の粒子加速器「LHC（大型ハドロン衝突型加速器）」で行われた、**「標準模型（現在の物理学の教科書）に載っていない新しい物理現象」**を探す壮大な探偵物語です。

ATLAS 実験チームは、2015 年から 2018 年にかけて蓄積された膨大なデータ（140 fb⁻¹）を分析し、**「4 つ以上のレプトン（電子やミューオン）」**という、非常に珍しい状態に注目しました。

以下に、専門用語を排し、わかりやすい比喩を使って解説します。

---

1. 従来の探偵と、新しい探偵の違い

従来の方法：「指名手配犯」を探す

これまでの探偵（物理学者）は、「犯人は A という顔で、B という服を着ている」という**特定の容疑者（特定の理論モデル）**を想定して捜査していました。

• メリット: 犯人がその通りなら、すぐに捕まえられる。
• デメリット: もし犯人が「C という顔」をしていたら、見逃してしまう。

今回の方法：「不審者」を探す（アノマリー検出）

今回の探偵は、「犯人が誰か、どんな服を着ているか」を一切想定しません。

• 方法: 「普段見慣れた街（標準模型の背景）の風景」を AI に徹底的に学習させます。そして、**「街の風景にそぐわない、少し奇妙な動きをする人（異常値）」**だけを自動的に拾い上げます。
• 比喩: 満員電車の中で、全員が同じ方向を向いて揺れている時、**「逆さまに立っている人」や「突然踊り出した人」**だけを AI が「あれ？おかしいな？」と自動でマークするイメージです。

2. 探偵が使う「魔法の道具」：機械学習

この「不審者」を見つけるために、**「正規化フロー（Normalizing Flows）」**という高度な AI 技術を使いました。

• 仕組み: 140 万回以上の衝突データの中から、標準模型（通常の物理法則）に従う「普通のイベント」の確率分布を AI が完璧に理解します。
• スコア付け: どのイベントが「普通」で、どのイベントが「異常」かを 0 から 1 のスコアで評価します。スコアが高い（異常度が高い）イベントは、**「もしかしたら新しい物理現象（B 粒子）の痕跡かもしれない」**という候補として残されます。

3. 探偵が狙った「現場」：4 つ以上のレプトン

なぜ「4 つ以上のレプトン（電子やミューオン）」なのか？

• 理由: 標準模型では、4 つ以上のレプトンが同時に飛び出す確率は極めて低いです。つまり、ここは「静かな図書館」のような場所。
• 効果: もしここで「4 つのレプトンが騒いでいる（イベントが発生している）」ことがあれば、それは**「図書館に突入した暴れん坊（新しい物理）」**である可能性が非常に高くなります。

4. 探偵が見つけたもの（結果）

残念ながら、今回の捜査では**「新しい物理現象（B 粒子）」の明確な証拠は見つかりませんでした。**

• 結果: 観測されたデータは、すべて「標準模型（現在の教科書）」の予測と一致していました。
• 意義: 「犯人はいなかった」という結果も重要です。これにより、「犯人が潜んでいる可能性のある場所（特定の質量やエネルギー領域）」を狭めることができました。

5. 新たな発見：「味のある」ベクトル型レプトン

「犯人はいなかった」だけでなく、探偵たちは**「もし犯人がいたら、どこまで探せるか」**という限界も示しました。

• 初挑戦: 今回、**「フレーバー（味）を持つベクトル型レプトン（VLL）」**という、これまで詳しく調べられていなかった仮説の粒子について、初めて厳しい制限（排除限界）を設定することに成功しました。
• 比喩: 「犯人がもし『赤い帽子』を被っていたら、1300 GeV（エネルギーの単位）の範囲内では絶対にいない」と証明できたことになります。

6. まとめ：なぜこれが重要なのか？

この研究は、**「特定の犯人を想定せず、AI に『普通じゃないもの』を見つけさせる」**という新しいアプローチの成功例です。

• 従来の探偵: 「犯人は A だ」と信じて A の家だけ捜索。
• 今回の探偵: 「街全体をスキャンして、何か変な動きをする人を見つけろ」と AI に任せた。

もし将来、標準模型では説明できない「宇宙の謎（ダークマターや重力の正体など）」が、予期せぬ形で見つかった場合、この「不審者探し」のアプローチが、その発見への鍵となるでしょう。

結論:
今回は「犯人（新しい粒子）」は見つかりませんでしたが、「新しい捜査手法（AI を使った異常検出）」が非常に有効であることと、**「特定の仮説モデルがどこまであり得ないか」**を証明することができました。物理学の探偵たちは、これからもこの新しい道具を使って、宇宙の謎を解き明かしていくのです。

技術概要

以下は、CERN の ATLAS 検出器を用いた「多レプトン最終状態における異常検出（Anomaly Detection）による標準模型を超える物理（BSM）の探索」に関する論文の技術的要約です。

論文タイトル

ATLAS 検出器を用いた 13 TeV の陽子 - 陽子衝突における多レプトン最終状態での異常検出による標準模型を超える物理の探索
（Search for Beyond the Standard Model physics with anomaly detection in multilepton final states in pp collisions at √s= 13 TeV with the ATLAS detector）

---

1. 背景と課題 (Problem)

• 標準模型 (SM) の限界: 2012 年のヒッグス粒子発見以降、ATLAS と CMS 実験は SM を高い精度で記述してきましたが、階層性問題、ニュートリノ質量の起源、暗黒物質、バリオン非対称性など、SM では説明できない未解決の問題が残っています。
• モデル依存型探索の限界: 従来の BSM 探索は、特定の理論モデル（例：超対称性、追加次元など）に基づいてシグナル領域を設計する「モデル依存型」アプローチが主流でした。しかし、特定のモデルが正解である保証はなく、想定外のシグナルを見逃すリスクがあります。
• 多レプトン事象の重要性: 4 つ以上の軽レプトン（電子またはミューオン）を含む事象は、SM 背景事象が比較的小さく、BSM 物理の探索に適したチャネルです。しかし、従来の探索は特定のトポロジーに限定されがちでした。
• 課題: 特定のモデルを仮定せずに、多レプトン事象全体から「標準模型の予測から外れた異常（Anomaly）」を包括的に発見する手法が必要です。

2. 手法とアプローチ (Methodology)

本研究では、**モデル非依存（Model-agnostic）**なアプローチとして、**異常検出（Anomaly Detection: AD）技術、特にアウトライア検出（Outlier Detection）**を多レプトン事象に初めて適用しました。

• データセット:

  • LHC Run 2 (2015-2018) で収集された 13 TeV の陽子 - 陽子衝突データ。
  • 積分光度：140 fb⁻¹。
  • 選択条件：少なくとも 4 つの軽レプトン（$4\ell$）または 5 つ以上の軽レプトン（$\ge 5\ell$）を含む事象。

• 異常検出アルゴリズム:

  • 手法: **正規化フロー（Normalizing Flows）**という教師なし機械学習モデルを使用。
  • 仕組み: SM 背景事象のシミュレーションデータのみでモデルを訓練し、事象の確率密度 $p(x)$ を直接評価します。
  • スコア定義: 事象 $x$ の異常スコア $s(x)$ を以下のように定義し、0（SM に一致）から 1（SM から逸脱）の範囲にスケーリングします。
    $$s(x) = \frac{\log p(x) - \log p_{\min}}{\log p_{\max} - \log p_{\min}}$$
  • 入力変数: レプトンの横運動量和 ($H_{T}^{lep}$)、ジェット数、欠損横運動量 ($E_{T}^{miss}$)、レプトン対の不変質量、$b$ ジェットタグのスコア和など、物理的に意味のある高次元変数を使用。

• 解析戦略:

  1. モデル非依存探索 (Model-independent):
     • 発見領域（Discovery regions）を定義し、異常スコアが高い領域（背景事象の 90%, 99%, 99.9% 以上を除去した領域）をシグナルビンとして設定。
     • 各ビンでデータと背景予測を比較し、過剰事象を検索。
  2. モデル依存探索 (Model-dependent):
     • 特定のベンチマークモデル（ベクトル様レプトン、超対称性粒子など）に対して感度を評価。
     • 異常スコア分布を全領域で同時にフィッティングし、モデルごとの排除限界を設定。

• 背景推定:

  • 主要な背景（$ZZ$, $t\bar{t}Z$, $VVV$ 生成など）はモンテカルロシミュレーションを使用。
  • 非対称なレプトン（ファイクレプトン）や物質変換由来の背景は、データ駆動型手法と制御領域（CR）を用いて正規化係数を決定。
  • 同時尤度フィッティングにより、背景の正規化と系統誤差を評価。

3. 主要な貢献と新規性 (Key Contributions)

• 多レプトン領域での AD 初適用: これまでの AD 探索は主にジェット事象に焦点が当てられていましたが、本論文は多レプトン最終状態における最初の完全な異常検出探索となります。
• モデル非依存限界の提示: 特定のモデルを仮定せず、多レプトン事象の全トポロジーに対して排除限界を設定し、将来の再解釈を可能にしました。
• フレーバーフルなベクトル様レプトン (Flavourful VLL) への初制限: 世代混合を伴うベクトル様レプトンモデルに対して、初めて実験的な排除限界を設定しました。
• 包括的なベンチマークモデル評価: 従来の専用探索と比較し、AD 手法が特定のモデル（特に高質量領域や複雑な崩壊モード）に対して同等以上の感度を持つことを示しました。

4. 結果 (Results)

• 過剰事象の観測:
  • モデル非依存、モデル依存の両方の解析において、標準模型の予測と統計的に有意な逸脱（過剰事象）は観測されませんでした。
  • 最大の局所有意性は $Q=\pm 2$ および $0Z$ 2SFOS 領域で $2\sigma$ 程度でしたが、グローバル有意性（Look-elsewhere 効果を考慮）は $0.90\sigma$ であり、統計的変動の範囲内です。
• 排除限界 (Exclusion Limits):
  • モデル非依存: 各シグナルビンに対して、95% 信頼区間で排除可能な可視断面積（$\sigma_{vis}$）を提示。
  • モデル依存:
    • ベクトル様レプトン (VLL):
      • $SU(2)$ シングレット VLL: 質量 290 GeV まで排除。
      • $SU(2)$ ダブレット VLL: 電子型 925 GeV、ミューオン型 850 GeV まで排除。
      • フレーバーフル VLL: 質量 1280-1300 GeV まで排除（初設定）。
    • 超対称性 (SUSY):
      • ウィノ様チャージノ/ニュートリノ: 質量 1600 GeV まで排除。
      • スミューオン ($\tilde{\mu}$): 質量 495 GeV まで排除（特定の質量差領域で既存の専用探索より感度が高い）。

5. 意義と結論 (Significance and Conclusion)

• モデル非依存探索の有効性: 特定の理論モデルに依存しない異常検出手法が、多レプトン事象において実用的であり、従来の専用探索と同等かそれ以上の感度を持つことが実証されました。
• 将来の探索への道筋: この手法は、未知の BSM 物理のシグナルを「外れ値」として検出する強力なツールとなり、将来の LHC ランや将来の衝突型加速器における探索戦略の基盤となります。
• 技術的進展: 高次元の物理変数空間において、正規化フローを用いた確率密度推定が、複雑な背景事象の中から稀な事象を抽出する際に有効であることを示しました。

結論として、ATLAS 実験は 140 fb⁻¹ のデータを用いて、多レプトン事象におけるモデル非依存の異常検出探索を初めて実施し、標準模型を超える物理の明確な証拠は見つかりませんでしたが、広範な BSM モデルに対して厳格な排除限界を設定することに成功しました。特に、フレーバーフルなベクトル様レプトンに対する制限は、この分野における重要なマイルストーンです。