Search for Higgs boson production at high transverse momentum in the WW decay channel in proton-proton collisions at $\sqrt{s}$ = 13 TeV

CMS 実験による 138 fb$^{-1}$の 13 TeV プロトン - プロトン衝突データを用いた解析により、高横運動量領域でのヒッグス粒子の WW 崩壊チャネルにおける生成を初めて探索し、標準模型の予測を超える信号の証拠は見られなかったと報告されています。

要約

🍔 1. 何をしたの？（お題：「ヒッグス粒子」のハイペースな姿）

ヒッグス粒子は、2012 年に発見された「物質に質量を与える」不思議な粒子です。普段は非常に短命で、すぐに他の粒子に崩壊してしまいます。

この実験では、**「ヒッグス粒子がものすごい勢い（高運動量）で飛んでいった瞬間」**に注目しました。

• 普通のヒッグス粒子：ゆっくり歩いている人。
• 今回のヒッグス粒子：新幹線やジェット機のように、ものすごいスピードで飛んでいる人。

この「超高速ヒッグス粒子」が崩壊した姿を詳しく調べることで、**「今の物理の理論（標準模型）が正しいのか、それとも新しい物理の法則が隠れているのか」**を探ろうとしました。

🏎️ 2. 実験の舞台と方法（巨大なカメラと「ジェット」）

• 舞台：スイスとフランスの国境にある CERN（セールン）の LHC。2016〜2018 年に集めた膨大なデータ（138 fb⁻¹）を使いました。
• カメラ：CMS（コンパクト・ミューオン・ソレノイド）。LHC の中にある巨大な 3D カメラです。
• 狙い：ヒッグス粒子が「W ボソン」という粒子のペアに崩壊する様子（$H \to WW$）を捉えること。

🌪️ 超高速のせいで何が起きる？

ヒッグス粒子が超高速だと、崩壊して出てくる W ボソン同士が、**「くっついて離れられない」**状態になります。

• 通常：W ボソンがバラバラに飛び散る。
• 超高速：W ボソンが「ジェット（ジェット機のような気流）」のように1 つの大きな塊になって飛んでくる。

この「1 つの大きな塊（ジェット）」の中に、ヒッグス粒子の痕跡が隠れているのです。

🕵️ 2 つの探偵チーム（2 つの分析ルート）

実験では、この「大きな塊」の中に何が含まれているかで、2 つのチームに分けて探りました。

🔍 チーム A：「1 人の目撃者」がいる場合（1ℓ チャンネル）

• 状況：W ボソンの片方が「レプトン（電子やミューオン）」という、目に見える粒子を吐き出した場合。
• 特徴：
  • 「ジェット（塊）」の中に、**「1 人の目撃者（レプトン）」**が紛れ込んでいる状態。
  • このチームは、ヒッグス粒子がどうやって作られたか（「グルーオン融合」「ベクトルボソン融合」など）によって、さらに 3 つのグループに分けて詳しく分析しました。
• 武器：AI（人工知能）の「パーティートランスフォーマー（PART）」。
  • これは、ジェットの中身が「ヒッグス粒子の崩壊物」なのか、「ただのゴミ（背景ノイズ）」なのかを見分ける天才的な AI です。
  • さらに、このチーム用に AI を**「微調整（ファインチューニング）」**して、目撃者がいる特殊な状況に特化させました。その結果、見つけやすさが 60% 向上しました！

🔍 チーム B：「目撃者」がいない場合（0ℓ チャンネル）

• 状況：W ボソンがすべて「クォーク」という、直接目に見えない粒子に崩壊した場合。
• 特徴：
  • 目撃者がいないので、「ジェット（塊）」そのものがすべてです。
  • ここには「ニュートリノ（幽霊のような粒子）」が隠れていて、エネルギーが少し足りなくなっています。この「エネルギーの欠損」を計算に入れて、ヒッグス粒子の正体を特定しました。

🧠 3. 使われた最新技術（AI と「ランダムな地図」）

この実験で使われた最もすごい技術は、**「AI による識別」と「データの補正」**です。

1. AI 判別（PART）：

   • 従来の方法では、ジェットの中身を区別するのが難しかったです。しかし、この AI は「ジェットの中身がどう配置されているか（構造）」を深く学習し、ヒッグス粒子特有の「4 つの足（クォーク）」や「3 つの足＋レプトン」のパターンを見抜きます。
   • 例えるなら、**「料理の味見をして、それが『高級ステーキ』なのか『ただの焼肉』なのかを、AI が瞬時に見分ける」**ようなものです。

2. ランダムな地図での補正（Lund Jet Plane）：

   • 実験データとシミュレーション（計算機上の仮のデータ）には、常に小さなズレがあります。
   • このズレを直すために、**「ランダムな地図（Lund ジェット平面）」**という特殊な座標系を使って、データの密度を調整しました。
   • 例えるなら、**「地図の縮尺が少し狂っているのを、特定のランドマークを使って正確に補正する」**作業です。これにより、AI の見分け精度をさらに高めました。

📉 4. 結果は？（「見つかりませんでした」が重要な意味）

実験の結果は以下の通りでした。

• 発見されたか？ いいえ、ヒッグス粒子の「超高速バージョン」の新しい信号は見つかりませんでした。
• データは？ 観測されたデータは、**「今の物理の理論（標準模型）が予測する通り」**でした。
• 数値：信号の強さを表す数値（$\mu$）は、$-0.19$ でした（ゼロに近い値）。これは「背景ノイズの中に、特別な信号は隠れていない」という意味です。

「見つからなかった」のは失敗でしょうか？
いいえ、これは**「大きな勝利」**です。

• これまで「超高速ヒッグス粒子」を詳しく調べた研究はほとんどありませんでした。
• 「理論の予測通りだった」ということは、**「今の物理の法則は、どんなに高いエネルギーでも破綻していない」**ことを証明しました。
• もし「理論と違う結果」が出ていれば、それは「新しい物理（超新星のような発見）」の証拠になりますが、今回は「理論が完璧に機能している」ことを確認できたのです。

🎯 まとめ

この論文は、**「超高速で飛ぶヒッグス粒子」という、これまであまり詳しく調べられていなかった「怪しい犯人」を、「最新の AI 判別技術」と「巨大なカメラ」**を使って厳しく追跡した報告書です。

結果として、「犯人（新しい物理）は現れず、いつもの法則（標準模型）が正しかった」という結論になりました。これは、**「今の物理学の地図は、まだ間違っていない」**と安心できる、非常に重要な一歩となりました。

---

一言で言うと：
「超高速ヒッグス粒子」を AI で徹底的に探しましたが、**「今の物理の理論通りでした！」**という、安心できる（けれど新しい発見はない）結果が出ました。

技術概要

以下は、CERN の CMS 実験チームによる論文「Search for Higgs boson production at high transverse momentum in the WW decay channel in proton-proton collisions at √s = 13 TeV（13 TeV の陽子 - 陽子衝突における WW 崩壊チャネルでの高横運動量ヒッグス粒子生成の探索）」の技術的な要約です。

1. 研究の背景と課題 (Problem)

ヒッグス粒子（H）の発見以来、その性質や結合定数の精密測定が標準模型（SM）の検証および新物理探索の核心となっています。特に、ヒッグス粒子の横運動量（$p_T$）が高い領域（高 $p_T$）での生成は、理論的に大きな対数補正や高次効果を含むため、SM 計算の強力なテストベッドとなります。また、LHC で直接アクセスできないエネルギー規模における新物理の兆候（SM からの逸脱）を検出する感度の高いプローブでもあります。

これまでの高 $p_T$ ヒッグス粒子の測定は、主に $H \to b\bar{b}$ や $H \to \tau\tau$ などの大きな分岐比を持つ崩壊チャネルで行われてきました。しかし、$H \to WW$ 崩壊、特に非常に強いローレンツブーストを受けた状態（$p_T \gtrsim 250$ GeV）での $H \to WW$ 崩壊の探索は、未だ行われていませんでした。この高 $p_T$ 領域では、W ボソン対が狭い角度で生成され、その崩壊生成物が単一の「大半径ジェット（large-radius jet）」として再構成されるという特有のトポロジーを示すため、従来の解析手法では困難でした。

2. 解析手法と方法論 (Methodology)

本研究は、CMS 実験が 2016〜2018 年に収集した 13 TeV の陽子 - 陽子衝突データ（積分光度 138 fb$^{-1}$）を用いて行われました。

2.1 イベント分類とチャネル

解析は、ヒッグス粒子の崩壊生成物に存在する孤立レプトンの数に基づき、2 つのチャネルに分類されます。

• 0$\ell$ チャネル: 孤立レプトンが 0 個の事象。全生成プロセス（ggF, VBF, VH, ttH）を包括的に扱い、W ボソンの半レプトン崩壊（レプトンが非孤立）および全ハドロン崩壊を含みます。
• 1$\ell$ チャネル: 孤立レプトンが 1 個の事象。W ボソンの半レプトン崩壊（$H \to \ell\nu qq$）をターゲットとし、さらに主要な生成メカニズムであるグルーオン融合（ggF）、ベクトルボソン融合（VBF）、**ベクトルボソン付随生成（VH: 強子的に崩壊する V）**の 3 つのカテゴリに分割されます。

2.2 特徴量と再構成

• 大半径ジェット（AK8 ジェット）: 高 $p_T$ ヒッグス粒子の崩壊生成物は、$\Delta R < 0.8$ の範囲に収まるため、半径パラメータ $R=0.8$ の AK8 ジェットとして再構成されます。
• ニュートリノの再構成: 半レプトン崩壊（$H \to \ell\nu qq$）では、ニュートリノの運動量を推定するために、イベント全体の欠損横運動量（$\vec{p}^{\text{miss}}_T$）を利用し、ヒッグス候補ジェットと共線であると仮定して 4 元運動量を再構成します。これにより、修正されたジェット質量 $m^*_j$ を定義し、ヒッグス質量ピーク（125 GeV）への位置合わせを改善しています。
• 機械学習によるタグリング（PART アルゴリズム）:
  • ヒッグス候補ジェットの同定には、Particle Transformer (PART) と呼ばれる自己注意機構（self-attention）に基づくトランスフォーマーアーキテクチャの深層学習モデルを使用しました。
  • 0$\ell$ チャネルでは、標準的な PART 出力を直接使用。
  • 1$\ell$ チャネルでは、ジェット内の孤立レプトンの存在という特殊なトポロジーに対応するため、**転移学習（Transfer Learning）**を用いた微調整（Fine-tuning）戦略を採用了。これにより、W+jets 背景事象に対する信号の識別効率が大幅に向上しました。
• 較正（Calibration）: 信号効率の較正には、Lund ジェット平面（LJP）の再重み付け技術を適用し、シミュレーションとデータの一致を確保しました。

2.3 背景事象の推定

• QCD 多ジェット背景: データ駆動型手法を用い、信号領域（SR）とは直交する制御領域（CR）で定義された転送関数（Transfer Function）により、SR での分布を推定しました。
• W+jets およびトップクォーク背景: シミュレーションに基づき、CR でのデータとの比較により正規化ファクタを決定しました。

3. 主要な貢献と技術的革新 (Key Contributions)

1. 初の高 $p_T$ $H \to WW$ 探索: 非常に強いローレンツブーストを受けた $H \to WW$ 崩壊を対象とした、世界初の dedicated（専用）研究です。
2. 転移学習の適用: 1$\ell$ チャネルにおいて、一般的なジェットタグガ（PART）を、レプトン内包という特殊なトポロジーに特化させるために微調整し、背景抑制能力を約 60% 向上させました。
3. LJP 再重み付けによる較正: 複雑なサブ構造を持つブーストされたヒッグス崩壊ジェットに対して、Lund ジェット平面に基づく較正手法を適用し、信号効率の系統誤差を低減しました。
4. STXS 枠組みへの対応: 結果を簡素化テンプレート断面積（STXS）ステージ 1.2 のビン分け（$p_T$ 依存性）で提示し、将来の微分断面積測定との統合を可能にしました。

4. 結果 (Results)

• 信号強度 ($\mu$): 観測された信号強度は、標準模型の期待値に対する比として以下のように求められました。
  $$\mu = -0.19^{+0.48}_{-0.46}$$
  この値は 0 に近く、標準模型の期待値（$\mu=1$）からの逸脱を示す統計的有意性は見られませんでした。
• 統計的有意性:
  • 観測された有意性：0.0$\sigma$（信号強度の最良適合値が負であるため）。
  • 期待される有意性：1.86$\sigma$。
• 結論: 背景事象の上に信号の証拠は見つかりませんでした。これは、標準模型の予測と矛盾しない結果です。
• 系統誤差: 0$\ell$ チャネルでは QCD 多ジェット背景のモデル化、1$\ell$ チャネルでは PART タッガーの効率とシミュレーションサンプルサイズが支配的な不確かさ源となりました。

5. 意義と将来展望 (Significance)

本研究は、高横運動量領域におけるヒッグス粒子の性質を多角的に理解する上で重要な一歩です。

• 標準模型の厳密なテスト: 高 $p_T$ 領域での $H \to WW$ 断面積の測定は、標準模型の計算（特に高次補正）に対する厳密なテストを提供します。
• 新物理探索の補完: これまでの $H \to b\bar{b}$ や $H \to \gamma\gamma$ などの探索を補完し、異なる崩壊チャネルにおける高 $p_T$ 挙動の包括的な理解を深めます。
• 技術的基盤の確立: 転移学習や LJP 再重み付けなどの高度な機械学習・統計手法を、複雑なジェットサブ構造の解析に適用する成功例となり、将来の HL-LHC（高光度 LHC）時代の解析手法の基盤を築きました。

今後は、より多くの統計量（Run 3 および HL-LHC データ）を用いて感度を高め、標準模型からのわずかな逸脱や、有効場理論（EFT）による新物理効果の制限を強化することが期待されます。