Impact of neutral fluxes and signal significance optimization on semi-exclusive $pp \to t\bar{t}$ production via deep learning training

技術要約：ディープラーニング学習による半排他的な $pp \to t\bar{t}$ 生成における中性フラックスの影響と信号有意性の最適化

問題提起
本論文は、大型ハドロン衝突型加速器（LHC）および将来の円形衝突型加速器（FCC）における、プロトン・プロトン（$pp$）衝突での半排他的なトップ・アンチトップ（$t\bar{t}$）生成の識別という課題に取り組んでいる。標準的な包括的生成とは異なり、半排他的なイベントは、中性カラー単一オブジェクト（具体的には光子（$\gamma$) またはポメロン（$P$））の交換を伴い、一方のプロトンは無傷のまま（$p'$）、もう一方は崩壊して、最終状態$p' t\bar{t} X$を形成する。これらのプロセスは、非摂動論的な領域における量子色力学（QCD）および量子電磁力学（QED）のプローブとして、またポメロンの内部パルトン構造を研究するものとして、理論的に重要である。しかし、これらの信号は、支配的な非周辺的$t\bar{t}X$ 背景（カラー交換によるもの）よりも数桁小さい断面積を持つと予測されている。さらに、これらのプロセスに対する理論的予測は、ポメロンフラックスやパルトン分布関数（DPDF）の現象論的なモデリング、および光子フラックスのパラメータ化に起因する重大な不確実性を伴う。主要な問題は、これらのモデリングの不確実性が物理的観測量にどのように影響するか、および、前方のプロトン・タギングのみに依存することなく、前方物理観測量と機械学習技術を用いて統計的に有意な観測が可能かどうかを判断することである。

手法
著者らは、多段階のシミュレーションおよび解析フレームワークを採用した：

1. モンテカルロ・シミュレーション:

   • ジェネレーター: MadGraph5_aMC@NLO（NLOにおける光子誘起プロセス用）および PYTHIA8（シャワーリング、ハドロン化、およびポメロン誘起プロセス用）を用いてイベントを生成した。
   • フラックスおよび構造モデル:
     • ポメロン誘起: インゲルマン・シュレイン（Ingelman-Schlein）形式を用い、様々なデータ駆動型フラックス・パラメータ化（例：Schuler-Sjöstrand）および DPDF セット（H1 2006 Fit A/B, LO/NLO）を実装した。系統的な不確実性を定量化するために、5 つの異なるポメロン・スキームをテストした。
     • 光子誘起: ワイツザッカー・ウィリアムス（Weizsäcker-Williams）、ブドネフ（Budnev）、およびドリース・ゼッペンフェルド（Drees-Zeppenfeld）モデルを用いた等価光子近似（EPA）を適用した。
   • エネルギー領域: シミュレーションは $\sqrt{s} = 13$ TeV（LHC）および 100 TeV（FCC）への投影をカバーしている。

2. 検出器シミュレーションおよび再構成:

   • イベントは、CMS 検出器の設定を用いた Delphes 3 を通じて処理された。
   • 選択基準: 半レプトニック $t\bar{t}$ 崩壊チャネルを選択した（$N_{jets} \geq 2$, $N_{b-jets} \geq 1$, $N_{lepton} = 1$, $E_T^{miss} > 20$ GeV）。
   • 観測量: 主要な識別子として、荷電粒子多重度（$N_{ch}$）、前方ラピディティ・ギャップ（FRG）、および前方カロリメータのエネルギー堆積（特にハドロン前方（HF）領域、$3.0 \leq |\eta| \leq 5.0$）を用いた。

3. 機械学習分類:

   • 光子誘起、ポメロン誘起、および非周辺的背景イベントを区別するために、フィードフォワード・ニューラルネットワーク（TensorFlow/Keras）を訓練した。
   • 入力特徴量: ジェット多重度、$N_{ch}$、FRG、および様々な HF エネルギー和（例：最小 HF タワーエネルギー）を含む 9 つの観測量を使用した。
   • 性能: ネットワークは、AUC、精度、およびコルモゴロフ・スミルノフ（KS）統計を用いて評価された。

4. 統計的推論:

   • Asimov データセットを用いた Combine フレームワークによるプロファイル尤度フィットを行った。
   • 信号強度（$\mu$）を両方の生成モードについて抽出した。
   • 選択されたフラックス/構造モデルから生じる系統的な不確実性は、「スキーム依存」の系統誤差として伝播させた。

主な貢献および結果

• 断面積のスケーリング: 本研究は、LHC から FCC へのエネルギー上昇に伴う、半排他的な断面積の大幅な増加を予測している。ポメロン誘起の断面積は、13 TeV から 100 TeV への移動に伴い $\sim 50$ 倍上昇し、光子誘起は $\sim 22$ 倍上昇する。ポメロンと光子の比率は、ポメロン内のグルオン密度の急速な成長により、13 TeV で 8.6 から 100 TeV では 20 近くまで増加する。
• モデル依存性と不確実性:
  • ポメロン誘起生成の総断面積は、選択されたフラックスおよび DPDF スキーム（H1-AB-LO スキームが支配的）に応じて、最大 62.5% の系統的な変動を示す。
  • 光子誘起生成は、異なるフラックスモデル間で 9.2% というはるかに小さな系統的変動を示す。
  • これらの変動は、信号強度 $\mu$ の不確実性に直接反映され、ポメロンチャネルは全不確実性に対して 25.1%、光子チャネルは 7.6% の系統的な寄与を持つ。
• 運動学的観測量:
  • ラピディティ・ギャップ: 半排他的なイベントは、非周辺的背景と比較して、有意に大きな前方ラピディティ・ギャップを示す。光子誘起イベントでは、41.07% のイベントがギャップサイズ $\geq 1.0$ であるのに対し、背景イベントでは 0.07% である。
  • 多重度: 半排他的なイベントは、より低い荷電粒子多重度（$N_{ch}$）を持つ。光子誘起イベントの 47.6%、ポメロン誘起イベントの 28.8% が $N_{ch} < 50$ であるのに対し、背景イベントではわずか 6.7% である。
  • 最良の識別子: 検出器レベルにおいて、最小ハドロン前方（HF）タワーエネルギーが、背景に対する最高の KS テストスコアを達成し、最も効果的な単一変数として特定された。
• ディープラーニングの性能:
  • ニューラルネットワークは、非周辺的背景と光子誘起信号を区別する上で 0.9917 ± 0.0002 の AUC を達成した。
  • 光子とポメロンの間の分離も強力であり（AUC $\approx 0.945$）、ポメロンと背景の分離は、共有された半排他的なトポロジーのため、わずかに低かった（AUC $\approx 0.879$）。
• 有意性の投影:
  • 低パイライン条件を想定し、Asimov データセットを用いた場合：
    • ポメロン誘起: 積分ルミノシティ 1 fb$^{-1}$ で $5\sigma$ の有意性が期待される。
    • 光子誘起: 4.7 fb$^{-1}$ で $5\sigma$ の有意性が期待される。
  • 4.7 fb$^{-1}$ において、期待される 95% 信頼区間は $\mu_\gamma \in [0.716, 1.287]$ および $\mu_P \in [0.883, 1.118]$ である。

意義および主張
本論文は、前方物理観測量とディープラーニング技術を利用すれば、既存の LHC Run 2 および Run 3 のデータを用いて半排他的な $t\bar{t}$ 生成の観測が可能であると主張している。主要な貢献は、プロトン・タギングは、発見レベルの分離を達成するために厳密には必要ではないことを示した点である。代わりに、前方カロリメトリ（特に HF エネルギーとラピディティ・ギャップ）と多変量解析を組み合わせることで、非周辺的背景を効果的に抑制できる。

著者らは、ポメロン誘起チャネルは高いイベント収量を提供する一方で、光子誘起チャネルと比較して、はるかに大きな理論的不確実性（フラックスおよび構造関数のモデリング）にさらされていることを強調している。本研究は、LHC および FCC の両方のエネルギーにおける $5\sigma$ 観測に必要なルミノシティを推定するための現象論的フレームワークを確立しており、将来の LHC 前方物理プログラムにおける実験的探索のガイドとして機能する。この研究は、半排他的なトップ生成が、カラー単一交換メカニズムと QCD および QED ダイナミクスの相互作用を研究するための実験場となる可能性を強調している。