Boosted top tagging via lepton-in-jet topology for vector-like quark searches in FCC-hh

技術要約：FCC-hhにおけるベクトル様クォーク探索のためのレプトン・イン・ジェット・トポロジーによるブーストされたトップ・タギング

問題提起
ハドロン・ハドロンモードで動作する将来の円形衝突型加速器（FCC-hh、$\sqrt{s} = 100$ TeV）における、標準模型を超える（BSM）物理、特にベクトル様クォーク（VLQ）の探索は、極限的な運動学的領域という特有の課題に直面している。重い共鳴状態（例：ボトム型のVLQ、$B'$）がトップクォークへと崩壊する場合（$B' \to tW$）、結果として生じるトップクォークは高度にブーストされる。この領域では、トップ崩壊の生成物（$t \to b\ell\nu$）は高度にコリメート（収束）され、しばしば単一のジェットへと合体してしまう。具体的には、トップ崩壊由来の荷電レプトンがトップ・ジェットのコーン内に埋め込まれ、標準的な孤立条件を満たさなくなる。この「レプトン・イン・ジェット（lepton-in-jet）」トポロジーは、ハドロン的トップ・ジェットや、半レプトン崩壊による非孤立レプトンを含むヘビーフレーバー（$b$および$c$）ジェット、あるいはライトフレーバー・ジェットといった背景事象（バックグラウンド）に対する識別能を複雑にする。さらに、ニュートリノは検出を回避するため、運動学的な再構成を制限する。本論文では、構成要素ベースの機械学習（ML）アーキテクチャが、従来の変数ベースのアプローチと比較して、この超ブースト領域において識別能力を維持できるかどうかを調査している。

手法
本研究では、ブーストされたレプトン的トップ・ジェットを識別し、単一 $B'$ 生成（$pp \to B'j \to tWj$）に対するイベントレベルの全探索を行うための、二段階のMLフレームワークを採用している。

1. 理論的枠組みとベンチマーキング:

   • 解析は、$SU(2)$ シングレットのボトム型VLQ（$B'$、量子数 $(3, 1, -1/3)$）に焦点を当てている。
   • このモデルは、結合強度 $\tilde{g}$ と混合パラメータ $R_L$（第1世代対第3世代クォークへの結合を制御）という2つの自由パラメータによって定義される。
   • ベンチマーク点は、幅の制約 $\Gamma_{B'}/m_{B'} < 25\%$ を満たしつつ、単一生成の断面積を最大化するように選択されている（$\tilde{g}=0.07, R_L=1.0$）。
   • シグナル事象は、MadGraph5_aMC@NLO および PYTHIA 8 を用い、FCC-hh デテクターカードを用いた Delphes 3.5.0 を介して生成されている。

2. レプトニック・トップ・ジェット・タガー（オブジェクトレベル）:

   • シグナルの定義: 高 $p_T$ の非孤立レプトン（$p_T > 100$ GeV）を含むジェット（$t \to b\ell\nu$ 由来）。
   • 背景事象: ハドロン的トップ・ジェット（$t_{had}$）、$b$ ジェット、および $c$ ジェット。
   • アプローチ: 7つのレプトン $p_T$ ビン（0.1 TeV から $>3$ TeV）において、個別に訓練された2つの補完的な分類器を使用する：
     • 変数ベース DNN: レプトンの運動学、トラックベースの変数（変位トラック、インパクトパラメータ）、タワーベースの孤立変数、およびジェット部分構造（N-subjettiness、ジェット質量）を含む、物理学に基づいた高次観測量の一群を使用する。
     • 構成要素ベースの粒子トランスフォーマー (ParT): 自己注意（self-attention）メカニズムを備えたトランスフォーマー・アーキテクチャを用い、個々のジェット構成要素（レプトン、トラック、カロリメータ・タワー）に対して直接作用し、粒子間の相関を学習する。
   • 訓練: タガーは、シグナルクラス（$t_{lep}$）を3つのバックグラウンドクラスから識別する。

3. イベントレベル解析:

   • シグナルとバックグラウンドの識別を行うために、第2のDNNが採用されている。
   • 入力特徴量: グローバルな運動学的変数（$H_T, E_T^{miss}$, ダイレプトン不変質量）、レプトン固有の運動学、およびオブジェクトレベルのジェット・タガーからの出力スコア。
   • トポロジー: 1つの孤立したレプトン（$W$ 由来）と1つの非孤立レプト（$t$ 由来）を伴い、かつ有意な欠損横運動量（missing transverse energy）を持つイベントを選択する。
   • 背景事象: 標準模型のプロセスである $t\bar{t}, tW, VV, W+\text{jet}$、およびヘビーフレーバー生成。

主な貢献

• 超ブースト領域における構成要素ベースMLの検証: 構成要素ベースのアーキテクチャ（ParT）が、崩壊生成物が高度にコリメートされた場合でも高い有効性を維持し、設計された変数ベースのDNNと同等またはそれを上回る性能を達成できることを実証した。
• 包括的な特徴量セット: 標準的なトップ・タギングとは異なる「レプトン・イン・ジェット」のシグネチャに特化した、変位トラックやタワー孤立度を含む特定の変数群の開発。
• ロバスト性チェック: ソフトなトラック活動（パイルアップ効果をシミュレート）に関する感度分析、およびトラック入力のみに制限されたグラフニューラルネットワーク（GNN）との比較。
• 異常検知への応用: 学習済みParT表現をOne-class 異常検知のためのDeepSVDDフレームワークで使用することを検討し、明示的なバックグラウンド訓練なしに、特異なジェット・トポロジーを特定できる可能性を示した。

結果

• ジェット・タガーの性能:
  • DNNとParTは共に、レプトニック・トップに対して高いタギング効率（93–97%）を達成している。
  • ParTは一般に、低・中 $p_T$ においてDNNを上回る（AUC 0.994–0.997 対 0.981–0.996）。
  • 非常に高い $p_T$（$>2$ TeV）では、DNNのバックグラウンド誤識別率がParTよりもわずかに低くなっており、構成要素の分解能が困難な超ブースト限界において、設計された観測量が依然として重要な力を保持していることを示唆している。
  • トラックのみの比較において、ParT（AUC 0.981）はGNN（AUC 0.964）およびDNN（AUC 0.942）を大幅に上回り、トラック間の相関を捉える上でのアテンション・メカニズムの価値を強調している。
• イベントレベルの感度:
  • イベントレベルのDNNは、SMバックグラウンドから $B'$ シグナル（$m_{B'}=5$ TeV）を識別する上で 0.994 のAUCを達成した。
  • 解析は、積分ルミノシティ 30 ab$^{-1}$ を想定している。
  • 発見能力:
    • 幅の制約 $\Gamma_{B'}/m_{B'} < 25\%$ の下では、（10%のバックグラウンド系統誤差がある場合でも）$B'$ の質量が ~7 TeV まで $5\sigma$ の発見が可能である。
    • 幅の制約を $\Gamma_{B'}/m_{B'} \lesssim 50\%$ まで緩和すると、発見能力は ~10 TeV まで拡大する。
    • $m_{B'} = 10$ TeV において、$5\sigma$ 発見に必要な最小断面積は、統計のみの場合で 0.054 fb、系統誤差を含む場合で 0.28 fb である。

意義と主張
本論文は、提案されたフレームワークが、FCC-hhにおけるマルチTeVのベクトル様クォークを発見するための現実的かつ効果的な戦略を提供することを主張している。特定の「レプトン・イン・ジェット」トポロジーを特定することに成功することで、著者らは標準的なトップ・タギング技術と、将来の衝突型加速器における極限の運動学との間の溝を埋めている。本研究は、構成要素ベースのML（ParT）が複雑な相関を捉える上で優れた性能を提供する一方で、物理学に基づいた変数ベースのアプローチも、最も高いエネルギー・スケールにおいて依然として堅牢であり、競争力があることを強調している。オブジェクトレベルのタギングとイベントレベルの分類を統合することで、支配的なSMバックグラウンド（$t\bar{t}$ や $tW$ など）を抑制し、重い共鳴状態を系統誤差が存在する状況下でも発見できるレベルまで低減できる。また、本研究は、これらのMLツールが異常検知のための有用な手段であることを示しており、よりモデル依存性の低い新物理探索への道を開いている。