CKM determination from $W$ decays with jet flavor tagging at CEPC

本研究は、$\sqrt{s}=240\,\mathrm{GeV}$におけるシミュレーションされた$W$対崩壊データに対してジェット・フレーバー・タギングを用いたCEPCが、$|V_{cb}|$および$|V_{cs}|$の統計的不確定率をそれぞれ$0.59\%$および$0.01\%$と投影される高精度かつ、大部分においてモデルに依存しない決定を達成可能であることを示しており、それによって標準模型に対する厳格な検証および新物理への感度を提供するものである。

要約

宇宙を、クォークと呼ばれる極小の粒子がパズルのピースとなっている、巨大で複雑なパズルだと想像してみてください。これらのクォークには、「アップ」「ダウン」「チャーム」「ストレンジ」「トップ」「ボトム」といった異なる「フレーバー（味）」があり、相互作用する際に絶えず正体を入れ替えています。この入れ替わりのルールブックは、CKM行列と呼ばれています。これは、あるフレーバーが別のフレーバーに変わる確率がどの程度であるかを示す、秘密のコードのようなものです。

物理学者たちは何十年もの間、このコードを解読しようとしてきました。コードの大部分についてはよく理解していますが、他の部分はまだ曖昧なままです。本論文は、特定の粒子であるWボソンがどのように崩壊するかを観察することで、このコードをより鮮明に読み解くための、新しいハイテクな手法を提案しています。

以下に、その計画を分かりやすく説明します。

1. セットアップ：粒子の「工場」

著者らは、将来的なマシンであるCEPC（環状電子陽電子衝突型加速器）を使用することを計画しています。これは、粒子を猛烈なスピードで衝突させる、全長100キロメートルにも及ぶ巨大なレーストラックのようなものです。

彼らは単なる衝突を探しているわけではありません。特に、2つのWボソンが生成されるという稀なイベントを狙っています。一方のWボソンはミューオン（電子の重い親戚）とニュートリノ（幽霊のような粒子）へと崩壊し、もう一方は2つのジェット（クォークの集まり）へと崩壊します。この特定の「シグネチャー（特徴）」を見つけることは、人混みの中からユニークな指紋を見つけ出すようなものです。

2. 課題：ゴミの仕分け

Wボソンが2つのジェットへと崩壊するとき、それらのジェットは異なる種類のクォークで構成されています。時には「チャーム」クォークと「ストレンジ」クォークであり、時には「アップ」と「ダウン」です。

問題は、これらのクォークが飛び出した後、それらが粒子のスプレー（ジェット）へと変化し、見た目ではほとんど区別がつかなくなることです。これは、袋を開けて中身を確認することなく、赤いM&M'sの袋と赤いスキットルズの袋の違いを、積み上がったキャンディの山から判別しようとするようなものです。過去において、これは非常に困難であり、データの混乱を招いていました。

3. 解決策：「スーパースキャナー」（ParticleNet）

この問題を解決するために、研究者たちはParticleNetと呼ばれる人工知能（AI）を使用しています。ParticleNetは、単にキャンディの山を見るのではなく、一つ一つの粒の形、質感、そしてそれらがどのように配置されているかを観察する、非常に洗練されたスキャナーだと考えてください。

このAIは、重いクォーク（チャームやボトム）からなるジェットと、軽いクォーク（アップ、ダウン、ストレンジ）からなるジェットとの間の微妙な違いを認識するように訓練されています。それは、物理学者に、たとえ見た目がストレンジに見えたとしても、「ああ、このジェットは間違いなくチャーム・クォークだ」と瞬時に判別できるX線メガネを与えるようなものです。

4. 実験：ピースのカウント

チームは、もしこの実験を非常に長い時間実行した場合（21.6「逆アトバーン」という膨大な衝突数に相当するデータ収集）に何が起こるかをシミュレーションしました。

彼らは**「テンプレート・フィット」**という手法を用いました。これは、混ざり合った硬貨（ペニー、ニッケル、ダイムなど）の袋を持っていて、それぞれの種類が正確にいくつあるかを知りたい場合を想像してください。単純に一つずつ数えるのは簡単ではありません。代わりに、袋全体の重さを量り、それを純粋なペニー、ニッケル、ダイムの既知の重さと比較します。全体の重さが各硬貨の「テンプレート」とどのように一致するかを見ることで、袋の中にある各硬貨の正確な数を算出できるのです。

この論文において、「硬貨」は異なる種類のWボソンの崩壊であり、「重さ」は検出器によって収集されたデータです。

5. 結果：コードの解読

シミュレーションによれば、この新手法を用いることで、CEPCはCKM行列の要素を驚異的な精度で測定できることが示されました。

• 「チャーム・ストレンジ」のつながり（$|V_{cs}|$）について： 精度**0.01%**で測定可能です。これは、ニューヨークからロサンゼルスまでの距離を、人間の髪の毛の幅よりも少ない誤差で測定するようなものです。これは現在分かっていることと比較して、劇的な改善となります。
• 「チャーム・ダウン」のつながり（$|V_{cd}$）について： 現在の測定値よりも約10倍精度を高めることができます。
• 「チャーム・ボトム」のつながり（$|V_{cb}$）について： これは物理学における長年の謎です。現在の測定値は互いに食い違っています。この新しい手法は、Wボソンを用いることで（B中間子の代わりに）、全く異なる方法での測定を提供し、この議論に終止符を打つ可能性があります。

なぜこれが重要なのか

論文は、このアプローチが「モデル独立（model-independent）」であると主張しています。平たく言えば、答えを得るために複雑な理論的推測に頼る必要がなく、データそのものが自ら語るということです。

もし建設されれば、CEPCは宇宙の基本ルールに対する巨大で超精密な顕微鏡として機能することになります。AIを使ってこれらの粒子ジェットを仕分けすることで、物理学者は「標準模型（現在の最高の物理理論）」が完璧なのか、それとも未発見の「新しい物理学」を示唆する基礎の亀裂があるのかを検証できるのです。

要約すると： この論文は、「もしこのマシンを構築し、このAIを使って粒子の残骸を仕分けることができれば、これまでに達成されたことのない鋭さで、宇宙の秘密のコードを読み解くことができる」と述べています。

技術概要

技術要約：CEPCにおけるジェット・フレーバー・タギングを用いたW崩壊からのCKM決定

問題提起
カビボ・小林・マスク（CKM）行列は、クォークのフレーバー混合を記述する標準模型（SM）の基本要素である。$|V_{ud}|$ および $|V_{us}|$ は核ベータ崩壊やカオン崩壊から高精度に既知であるが、$|V_{cd}|$、$|V_{cs}$、特に $|V_{cb}|$ の決定は、現在は主にD中間子およびB中間子の半レプトン崩壊に依存している。これらの測定は、ハドロン・フォルムファクターに関する格子QCDの理論的入力に依存しており、インクルーシブ（包括的）な $|V_{cb}|$ 決定とエクスクルーシブ（排他的）な $|V_{cb}|$ 決定の間の長期的な不一致の原因となっている。ハドロンWボソン崩壊は、CKM要素を抽出するための理論的にクリーンな代替手段を提供する。なぜなら、その部分幅は $|V_{ij}|^2$ に依存し、高次補正は大部分がフレーバーに依存しないためである。しかし、実験的には、ハドロン最終状態における特定のクォーク・フレーバー（u, d, s, c, b）の識別が困難であることや、ハドロン衝突型加速器における組合せ背景事象の存在によって、このアプローチは阻まれてきた。LEPでの過去の測定は、当時の統計量およびジェット・フレーバー・タギング能力によって制限されていた。

手法
本研究では、半レプトニック・チャネル $e^+e^- \to W^+W^- \to \mu\nu\bar{q}q'$ を用いた、サーキュラー・電子・陽電子衝突型加速器（CEPC）によるCKM行列要素への感度を調査する。解析は、重心エネルギー $\sqrt{s} = 240 \text{ GeV}$ における積分ルミノシティ $21.6 \text{ ab}^{-1}$ を想定している。

1. シミュレーションおよびイベント選択:

   • 信号および背景事象のモンテカルロ・サンプルは、Whizard 1.9.5 および Pythia 6.4 を用いて生成され、検出器応答は専用の CEPC 検出器カードを用いた Delphes によりモデル化された。
   • 信号トポロジーは、孤立したミューオン、欠損運動量（ニュートリノ）、および2つのハドロン・ジェットで構成される。
   • 信号を主要な背景事象（2フェルミオン過程、ZZ, 単一W/Z, ZH などの4フェルミオン過程）から分離するために、カットベースの選択戦略を採用した。主要な選択基準には、トラック多重度 ($5 \le N_{trk} \le 30$)、ミューオンの孤立性 ($E_{ratio} \ge 0.9$)、ダイジェット不変質量 ($50 \le M_{di-jet} \le 120 \text{ GeV}$)、および欠損運動量に関する運動学的制約が含まれる。
   • この選択により、軽フレーバーおよびチャーム・チャネルに対しては約54–58%、ボトム・チャネルに対しては約44–48%の信号効率を達成し、全インクルーシブ信号収量の約0.43%に背景事象の混入を低減させた。

2. ジェット・フレーバー・タギング:

   • 6つの排他的なハドロンW崩壊モード ($\bar{ud}, \bar{us}, \bar{ub}, \bar{cd}, \bar{cs}, \bar{cb}$) を区別するために、本研究ではグラフ・ニューラルネットワーク・ベースのジェット・フレーバー・タガーである ParticleNet を採用している。
   • タガーは、ジェットを $b, c, s,$ および $ud$（$u$と$d$ を統合したもの）の4つのカテゴリに分類する。
   • 入力特徴量には、粒子の運動学、変位/頂点変数（インパクトパラメータ）、および粒子識別観測量が含まれる。
   • 検証サンプルに対して79.6%の多クラス分類精度を達成するように、過学習を防ぐための軽量なモデル・アーキテクチャが最適化された。モデルは、重いフレーバー（$b, c$）と軽いフレーバーのジェット間の強力な識別能を示し、$s$ クォークに対しても有用な分離能を示している。

3. CKM要素の抽出:

   • イベントレベルのフレーバー識別子 ($P_{ij}$) が、各イベントの各ジェット確率の対称化された積から構築された。
   • 5つの自由な信号チャネル ($\bar{cb}, \bar{cd}, \bar{cs}, \bar{ud}, \bar{us}$) の収量 ($N_{ij}$) を抽出するために、識別子の分布に対してビン化された拡張最大尤度テンプレート・フィットが行われた。$\bar{ub}$ 成分は、その収量が無視できるほど小さいため固定された。
   • 分岐比は、フィットされた収量と選択効率から導出され、その後、関係式 $BR(W \to \bar{q}_i q'_j) = \frac{1}{2}|V_{ij}|^2$ （CKMユニタリティを仮定）を用いてCKM絶対値に変換された。

主要な貢献および結果
本研究は、シミュレーションされたCEPCデータセットに基づくCKM行列要素の投影統計精度を提供している：

• $|V_{cs}|$: 投影統計精度は 0.01%。これは現在の直接測定に対する大幅な改善である。
• $|V_{cb}|$: 投影統計精度は 0.59%。これは、ハドロンW崩壊からの直接的かつモデルに依存しない決定を提供する。
• $|V_{cd}|$: 投影統計精度は 0.18%。これは、現在のPDG直接平均に対して1桁の改善である。
• $|V_{ud}|$ および $|V_{us}|$: 投影統計精度はそれぞれ 0.01% および 0.20%。これらは低エネルギー決定の精度を上回るものではないが、異なる系統誤差を持つ独立したクロスチェックを提供する。

系統誤差
著者らは、現在の推定値は予備的かつ保守的であることを注記した上で、いくつかの系統誤差の源について論じている：

• 検出器分解能: 保守的な推定として0.82%が割り当てられているが、詳細なデータ駆動型キャリブレーションにより0.1%未満に低減可能であると予想されている。
• モデリング: ジェット・フレーバー・タギングおよびハドロン化モデリングの不確実性は、ジェネレーター比較に基づき約0.8%と推定されているが、制御サンプル（例：Zポールのデータ）を用いることで約0.1%まで低減できる可能性がある。
• 理論的補正: 高次のQCDおよび電弱補正は、近似的にフレーバーに依存せず、比率において大部分が相殺される。残留する不確実性は、支配的ではないと考えられる。

意義
本論文は、膨大な $W^+W^-$ サンプルとクリーンな実験環境を備えたCEPCが、ハドロンW崩壊をCKM構造の統計的に強力なプローブへと変貌させ得ることを結論づけている。高度な機械学習技術（ParticleNet）を用いた多クラス・ジェット・フレーバー・タギングの統合が、このプログラムの中心的推進力として特定されている。結果は、CEPCが直接的で高精度、かつ大部分がモデルに依存しないCKM要素の決定を提供でき、標準模型の荷電カレント・フレーバー構造に対する厳格な一貫性テスト、および標準模型の期待値からの偏差を通じた潜在的な新物理への感度を提供できることを示唆している。本研究は、オンシェルのW崩壊を用いた直接的なCKM測定のための専用の将来プログラムを提案しており、これは低エネルギー・フレーバー物理学やハドロン衝突型加速器の結果を補完するものである。