Probing the Higgs Portal to a Strongly-Interacting Dark Sector at the FCC-ee

本論文は、将来の円形コライダーにおける閉じ込め暗黒セクターに起因するヒッグス誘発の半可視ジェットを検出するためにグラフニューラルネットワークを活用する機械学習戦略を提案し、広範なパラメータ空間にわたりエキゾチックなヒッグス崩壊分岐比をパーミルレベルで制限する能力を実証する。

要約

宇宙を巨大で賑やかな都市だと想像してみてください。この都市の「見える」部分、つまり建物、人々、車、そして交通については、私たちは多くのことを知っています。これが物理学者が「標準模型」と呼ぶものです。しかし、都市の質量の大部分を占める（暗黒物質）巨大で目に見えない「暗黒セクター」が影に隠れていることも知っています。しかし、その地域から来た人を一人も見たことはありません。

この論文は、将来建設が計画されている「FCC-ee（Future Circular Collider：将来円形コライダー）」と呼ばれる超高性能の顕微鏡を使って、この目に見えない地域を垣間見るための提案です。

以下に、彼らの探索の物語を簡単に説明します。

1. 秘密のトンネル（ヒッグスポータル）

科学者たちは、数年前に発見された有名な粒子であるヒッグス粒子が、私たちの見える都市と目に見えない暗黒セクターを繋ぐ秘密のトンネル、あるいは「ポータル」として機能すると提案しています。

もしこのトンネルが存在すれば、ヒッグス粒子は時々、私たちが知っている通常の粒子ではなく、「暗黒クォーク」へと崩壊（分解）する可能性があります。これらは暗黒世界の構成要素です。

2. 「半可視」の幽霊（半可視ジェット）

これらの暗黒クォークが生成されると、単独で留まることはありません。彼らはすぐに、インクが水に広がるのと同じように、混沌としたパーティーを始めます。この過程は「ハドロン化」と呼ばれます。

• 問題点： 生成された暗黒粒子の一部は安定しており、目に見えません（幽霊のように飛び去ります）。他の一部は不安定で、私たちが観測できる通常の粒子（光や電子など）へと崩壊します。
• 結果： 清潔で目に見えないシグナルの代わりに、科学者たちは**「半可視ジェット」**を観測すると予想しています。花火が炸裂する様子を想像してください。通常、あなたは全体の花火の爆発を見ます。しかし、このシナリオでは、花火が炸裂し、火花の半分は可視光ですが、残りの半分は瞬時に消える目に見えない煙です。あなたは散らかった、部分的な爆発を見ます。

3. 2 つのシナリオ：「重い」対「軽い」

チームは、この現象が起きる主な 2 つの方法があり、それぞれを見つけるために異なる戦略が必要だと気づきました。

• シナリオ A：「重い」目に見えないもの（高い目に見えない割合）
  ここでは、暗黒粒子のほとんどが目に見えない幽霊です。爆発は大量の欠損エネルギーを残します。

  • 戦略： 重い金庫を持って逃げ去った泥棒を探すようなものです。部屋から金庫が消えているため、彼らを簡単に見つけることができます。科学者たちは、多くのエネルギーが説明できない事象を探すために、単純な数学（運動学）を使用します。これはよく機能します。

• シナリオ B：「軽い」目に見えないもの（低い目に見えない割合）
  ここでは、暗黒粒子のほとんどが可視のものへと崩壊します。爆発は、わずかな目に見えない煙を除けば、通常の花火とほぼ同じように見えます。

  • 問題点： これは、硬貨 1 枚を盗んだ泥棒を探すようなものです。部屋は以前とほとんど同じに見えるため、盗難があったかどうかを判断するのは非常に困難です。「欠損エネルギー」は有用な手がかりとなるには小さすぎます。

4. 超スマートな探偵（グラフニューラルネットワーク）

「軽い」目に見えない泥棒（シナリオ B）を捕まえるために、科学者たちはエネルギーを見るだけでは不十分でした。彼らは爆発の形状を見る必要がありました。

彼らは**グラフニューラルネットワーク（GNN）**と呼ばれる人工知能（AI）の一種を使用しました。この AI は、何が爆発したかだけでなく、どのように爆発したかを調べる名探偵だと考えてください。

• 比喩： 2 つの紙吹雪の山を持っていると想像してください。一方は人間（通常の粒子）によって投げられ、もう一方は機械（暗黒の半可視ジェット）によって投げられました。素眼で見れば、それらはランダムな色とりどりの破片のように見えます。しかし、AI はすべての紙吹雪の一片の「家系図」、つまりそれらがどのように分裂し、どのように動き、互いにどのように関連しているかを調べます。
• AI は、「暗黒」の紙吹雪には、通常の紙吹雪にはない独特で散らかったパターンがあると学習します。これにより、欠損エネルギーがごくわずかであっても、科学者はシグナルを特定することができます。

5. 結果：強力な新しいレンズ

この論文は、この組み合わせ戦略が非常に強力であると結論付けています。

• 「重い」目に見えないケースの場合： 単純なエネルギーチェックが非常に効果的に機能します。
• 「軽い」目に見えないケースの場合： AI の「超探偵」が不可欠です。それがなければ、シグナルは背景ノイズの中に失われます。それがあることで、科学者は極めて稀な事象であっても、これらのエキゾチックな事象を検出することができます。

結論：
著者たちは、将来の FCC-ee コライダーが、この単純な物理学的チェックと高度な AI の組み合わせを使用して、ヒッグス粒子と暗黒セクターのつながりを極めて高い精度で探査できることを示しています。彼らは、これらの暗黒相互作用を千分の一（パーミル）レベルで排除（あるいは発見）する可能性があります。これは、私たちの宇宙の「暗黒セクター」が実際にはどのようなものであるかを理解する上で、画期的な前進となるでしょう。

技術概要

技術的サマリー：FCC-ee における強結合ダークセクターへのヒッグスポータルの探査

問題定義
標準模型（SM）は、ダークマター（DM）やニュートリノ質量などの現象を説明できず、「ダークセクター（DS）」の存在を示唆している。隠れた谷（HV）シナリオは、ヒッグス粒子を含む可能性のある媒介粒子を介して SM と相互作用する強結合 DS を提案する。ヒッグスがダーククォーク（$q_d$）へ崩壊する場合、その後のダーク閉じ込めとハドロン化により「セミビジブルジェット（SVJ）」を生成する可能性がある。これらの最終状態には、不安定なダークハドロンに由来する可視的な SM 粒子と、安定なダークハドロンに由来する不可視粒子の混合物が含まれる。高欠損エネルギーのシグニチャーは検出可能であるが、不可視状態の割合（$r_{inv}$）が低い SVJ は、特に QCD 活動が活発なハドロン衝突型加速器において、SM バックグラウンドを模倣する。本研究は、クリーンな環境と低減された QCD バックグラウンドを活用し、電子・陽電子モードの将来円形コライダー（FCC-ee）においてこれらのシグニチャーを探査する可能性を調査する。

手法
本研究は、ヒッグス粒子がダーク $SU(3)_d$ セクターへのポータルとして機能する HV フレームワーク内のベンチマークモデルを構築する。2 つの異なる領域が分析される：

1. 高-$r_{inv}$ 領域： DM の残存存在量に動機づけられ、このシナリオではダークハドロンの相当部分が安定であると仮定する。モデルには、SM レプトン、クォーク、光子への特定の崩壊チャネルを持つダークパイオン（$\pi_d$）、ベクトルメソン（$\rho_d$）、および $\eta'_d$ が含まれる。不可視分率 $r_{inv}$ は、ハドロン化パラメータ（$p_v, p_\eta, \Lambda$）に依存する導出量である。
2. 低-$r_{inv}$ 領域： $r_{inv}$ を明示的な入力パラメータとし、ダークシャワーが主に SM 粒子へ崩壊するか不可視に崩壊するダークパイオンで構成される、モデル非依存のパラメトリックアプローチである。

シミュレーションと分析戦略

• 事象生成： シグナル（$e^+e^- \to ZH \to \ell^+\ell^- q_d\bar{q}_d$）およびバックグラウンド（$ZZ, WW, ZH$）事象は、Hidden Valley モジュールを備えた Pythia8 を使用して生成され、Delphes3 内の IDEA 検出器パラメータ化を通じてシミュレートされる。重心エネルギーは 240 GeV、積分ルミノシティは 10.8 ab$^{-1}$に設定される。
• 運動量選択： 事象は、クリーンな $Z \to \ell^+\ell^-$ リコイルトポロジーに基づいて選択される。カットには、レプトンアイソレーション、ダイレプトン質量（$85 < m_{\ell\ell} < 95$ GeV）、およびヒッグスリコイル質量（$120 < m_{rec} < 130$ GeV）が含まれる。
  • 高-$r_{inv}$ の場合、選択には欠損エネルギー（$30 < E_{miss} < 90$ GeV）と方位角分離（$\min \Delta\phi < 1.7$）が含まれる。
  • 低-$r_{inv}$ の場合、$E_{miss}$ は識別に不十分なため、$WW$などのバックグラウンドを抑制するために、より厳格な$\Delta\phi$カット（$< 0.7$）が適用される。
• 機械学習（GNN）： 運動量カットが失敗する低-$r_{inv}$ シグナルの課題に対処するため、著者はグラフニューラルネットワーク（LundNet）を採用する。このタッガーは、完全なクラスター化履歴、ノード運動量（$k_t, \Delta, z, \psi, m$）、および粒子タイプエネルギー分率（$f_e, f_\mu, f_\gamma, f_h$）を符号化する Lund グラフとしてジェットを表す。このネットワークは、SVJ 副構造と SM QCD ジェットを区別する。

主要な貢献と結果

• 高-$r_{inv}$ における感度： 運動量選択のみで良好なシグナル・バックグラウンド分離が達成され、エキゾチックなヒッグス分岐比（$BR(H \to q_d\bar{q}_d)$）に対する感度がパーセントレベルに達する。GNN タッガーの組み込みにより、この感度はほぼ 3 桁向上し、パーミルレベル（$O(10^{-2}\%)$）に達する。
• 低-$r_{inv}$ における感度： 小さな不可視分率の領域では、標準的な運動量カットはシグナルを過度に除去するか、バックグラウンドを抑制できないため無効である。ここで GNN タッガーが決定的となり、感度を回復させ、全パラメータ空間にわたり $BR(H \to q_d\bar{q}_d)$ に対する制約をパーミルレベルまで可能にする。
• 結合定数の制約： これらの分岐比の限界をヒッグス・ダーククォーク結合定数（$y$）の制約に変換すると、本研究はパラメータ空間全体で $4.1 \times 10^{-4}$ から $1.3 \times 10^{-3}$ の範囲の期待される 95% 信頼区間上限を見出す。
• バックグラウンド抑制： 本研究は、LHC 特有の圧倒的な QCD バックグラウンドから解放された FCC-ee 環境が、SVJ の精密な同定を可能にすることを示している。GNN は、特にレプトンと光子のエネルギー分率および疑似ジェットの数におけるジェット副構造の差異を効果的に利用し、シグナルを SM の $ZH$および$ZZ$ バックグラウンドから区別する。

重要性
本論文は、提案された戦略が FCC-ee におけるヒッグスポータル型ダークセクターの広範なパラメータ空間を効果的に探査することを主張している。最適化された運動量選択が高欠損エネルギーシナリオには十分であるが、主に可視的な最終状態を持つモデルを発見または制約するには、現代のジェット副構造タッギング（特に GNN）が不可欠であることを強調している。結果は、FCC-ee がダーククォークへのヒッグスエキゾチック分岐比をパーミルレベルで制約でき、現在の LHC の限界（約 18%）を大幅に上回ることを示唆している。著者は、簡略化されたモデリング戦略は補完的な探索のためにハドロン衝突型加速器（FCC-hh、LHC）へ拡張可能であると指摘しているが、この特定の研究は $e^+e^-$ 環境に焦点を当てている。