Light Dark Matter Discovery Potential and Model Selection at LDMX

技術要約：LDMXにおける軽ダークマターの発見ポテンシャルとモデル選択

問題と動機
加速器を用いた探索は、直接検出の取り組みを補完しつつ、軽（サブGeV）ダークマター（DM）を検出するための競争力のある手段を提供する。Light Dark Matter eXperiment (LDMX) は、高強度の電子・原子核衝突における反跳電子のエネルギーと横運動量を測定することにより、ダークフォトン（$A'$）の生成とその後のダークマター対への不可視崩壊を示す欠損運動量シグネチャを探索し、この領域を調査するように設計されている。LDMXは運動混合パラメータ $\epsilon$ の制約を数桁改善することを目指しているが、信号領域における期待イベント数が少ないため、標準的な漸近統計近似は信頼できず、厳密な統計的枠組みが必要となる。

手法
著者らは、頻度論的およびベイズ的解析の両方に適用可能な、LDMXのための包括的な尤度ベースの統計的枠組みを開発している。この手法の核となるのは、反跳電子のエネルギー ($E_{e^-}$) と横運動量 ($|p_T|_{e^-}$) の二次元空間にわたって構築されたビン化尤度関数である。

• 信号および背景事象のモデリング: 信号事象は、ダークブレムストラールング過程 ($e^- N \to e^- N A', A' \to \chi \chi^*$) を用いて MadGraph5_aMCNLO でシミュレートされる。背景事象は、背景事象のエネルギーと横運動量の分布が非相関であると仮定した上で、光核相互作用およびブレムストラールング光子に基づいてモデル化される。信号および背景の両方の分布は、検出器の分解能効果を考慮して平滑化（スミアリング）される。
• 統計的枠組み:
  • 頻度論的解析: 本研究では、投影された排除限界（90% C.L.）、発見有意性（$5\sigma$）、および最大尤度パラメータ推定を行うために、プロファイル尤度比を採用している。ビン内のカウント数が少ないため、著者らは漸近近似（ウィルクスの定理）を却下し、テスト統計量の分布を導出するために完全なトイ・モンテカルロ擬似実験を生成する手法を採用している。
  • ベイズ的解析: 本フレームワークは、事後分布およびベイズ証拠を計算するために、動的ネステッドサンプリング（dynesty による）を利用している。摂動パラメータ（信号および背景の正規化）は、対数正規事前分布を用いて周辺化され、背景不確かさの幅はハイパーパラメータとして扱われる。
• モデル比較: モデル選択能力を評価するために、標準的な運動混合（KM）モデルと、ダーク電磁モーメント（DEM）モデル（磁気/電気双極子（M, E）、電荷半径（C）、およびアナポールモーメント（A））を比較する。モデルの識別は、レリック密度に関する事前制約の有無で評価されるベイズ因子 ($K$) を用いて定量化される。

主な貢献

1. 堅牢な統計的枠組み: 本論文は、系統的な不確かさを組み込み、擬似実験を用いることで信頼できない漸近近似を回避した、LDMXに特化した尤度フレームワークを確立している。このフレームワークは、実際のLDMXデータへの直接適用を意図している。
2. 二次元解析: 本研究は、エネルギーのみの解析ではなく、反跳電子の完全な二次元分布 ($E_{e^-}, |p_T|_{e^-}$) を利用することの決定的な重要性を実証している。横運動量の次元における形状情報は、識別能力を大幅に向上させる。
   切。
3. ベンチマーク評価: 著者らは、複雑なスカラーDMの熱的レリック標的における4つのベンチマークポイントについて解析を行い、特に質量比 $R \equiv m_{A'}/m_{DM} = 2.5$ および $2.2$ に焦点を当てている。これらの比率は、最近の直接検出による制約（例：DAMIC-M, PANDAX-4Tによる $R \gtrsim 3$ の排除）の後でも生存しているものである。

結果

• 排除と発見:
  • 信号が存在しない場合、LDMXは質量範囲 $m_{A'} \in [10^{-3}, 0.2]$ GeV において、$R \gtrsim 2.2$ の熱的レリック標的を排除すると投影されている。
  • $R=2.5$ の標的（ベンチマーク1および3）における発見については、低背景シナリオ ($N_{BG}=1$) と高背景シナリオ ($N_{BG}=100$) の両方において、強い投影有意性 ($\gg 5\sigma$) が示されている。
  • より困難な $R=2.2$ の標的（ベンチマーク2および4）では、低背景シナリオにおいて中央値の有意性が $5\sigma$ をわずかに下回り、高背景シナリオでは有意性が大幅に低下しており、$5\sigma$ の発見が保証されているわけではないことを示している。
• パラメータ推定:
  • $R=2.5$ のベンチマークでは、LDMXは背景シナリオに関わらず、運動混合 $\epsilon$ と媒介子質量 $m_{A'}$ を高い精度と精密さ（相対不確かさ $\sim 10\%$）で回収できる。
  • $R=2.2$ のベンチマークでは、信号収量の少なさとポアソン揺らぎにより、パラメータ推論の信頼性が低くなり、分散の増大や、場合によっては情報を与えない制約となる。
• モデル識別:
  • 二次元解析は、エネルギーのみの解析と比較して、実質的に大きな識別能力（$\ln K$ において約1桁高い）を提供する。
  • 同一のスペクトル形状を持つモデル（M/E および C/A のペア）は区別できないが、KMモデルはDEMモデルと区別可能である。
  • しかし、スペクトル形状は同じだが正規化が異なるモデル（例：KM vs C/A）の場合、ベイズ因子のみでは統計的に区別できない。レリック密度に関する事前分布を結合強度の事前制約として適用することで、これらの以前は区別できなかった仮説を統計的に分離することが可能となる。
  • 本研究は、モデルの誤設定が、ベイズ因子がゼロに近い場合であってもパラメータ推定に大きなバイアスをもたらす可能性があることを強調しており、正しいモデル特定が必要であることを示唆している。

意義と主張
本論文は、開発された統計的枠組みが、生のイベント数を堅牢な物理的結論へと翻訳するために不可欠であると主張している。LDMXフェーズIIは、複雑なスカラーDMの生存可能な熱的レリック・パラメータ空間を強力な排除および発見感度をもって探索できるだけでなく、もし過剰（excess）が観測された場合には、その背後にあるダークセクターの相互作用を特徴付けることも可能であると断言している。著者らは、これらのツールが実際のLDMXデータに直接適用できるように設計されており、他の欠損運動量実験（Lohengrin, DarkSHINEなど）や、より広範な軽ダークマター実験プログラムにわたる結合尤度解析にも拡張可能であることを強調している。本研究は、信号および背景分布の正確なモデリングと、正規化の不確かさに対する徹底的な理解が、将来のLDMX解析において極めて重要であることを示している。