Hadronic Mono-Z Dark Matter Sensitivity with Flow Matching on CMS Open Data

技術的要約：CMS Open DataにおけるFlow Matchingを用いたハドロン的モノZダークマター感度解析

問題提起

本論文は、CMS Run 2015Dオープンデータを用いた、ハドロン的モノZチャネル（$pp \to Z(\to q\bar{q}) + \text{DM}$）におけるダークマター（DM）検出の課題に取り組んでいる。レプトン的モノZチャネルはクリーンなシグネチャーを提供する一方で、ハドロン的チャネルは分岐比（$Z \to q\bar{q}$）が大幅に大きいという利点があるものの、複雑で多重度が高いマルチジェット背景事象（バックグラウンド）に悩まされる。

著者らによるレプトン的チャネルを用いた先行研究では、高欠損横運動量（$E^{\text{miss}}_T$）のテール部分における残留バックグラウンド・モデリングの不一致により、限界値の比率が膨張し、シグナル強度をクリーンに解釈することが困難になるという課題があった。本研究は、このプログラムをハドロン的チャネルへと拡張すると同時に、これまでの制限を克服し、追加ジェットの複雑な運動学的トポロジーをより適切に扱うために、根本的に異なる密度モデリング戦略を導入することを目的としている。

手法

1. データおよびシグナル生成

• データセット: 本解析では、積分ルミノシティ $2.256382381 \text{ fb}^{-1}$ に相当する、CMS Run 2015D HTMHT MINIAODオープンデータセットを使用している。2,060万個の生のイベントから、1,439,523個のイベントがハドロン的モノZ選択を満たした（効率 $\approx 6.96\%$）。
• 選択条件: 少なくとも2つのジェット（$p_T > 30 \text{ GeV}$, $|\eta| < 2.4$）が $Z$ 候補（$70 < m_{jj} < 110 \text{ GeV}$, $\Delta R_{jj} < 2.0$）を形成すること、および追加のジェットに対してbタグ・ベト（veto）を行うことを要求する。
• シグナル: DMシグナルは、MadGraph5_aMC@NLO、Pythia8、およびDelphes高速シミュレーションを用い、DMsimp スピン1単純化モデル（sチャネル媒介子）を使用して生成されている。3つのベンチマークを保持している：2つの軸性ベクトル（axial-vector）（$m_\chi, m_{med} = (10, 20)$ および $(50, 200)$ GeV）と、1つのベクトル（vector）（$m_\chi, m_{med} = (1, 500)$ GeV）。

2. 背景密度モデリング：条件付きフロー・マッチング（Conditional Flow Matching）
先行するレプトン的解析で使用された閉形式のNeural Spline Flows (NSFs) の代わりに、本研究では 条件付きフロー・マッチング連続正規化流（CFM-CNF） を採用している。

• アーキテクチャ: このモデルは、確率フローODEに沿って積分される学習された時間依存のベクトル場を通じて、背景密度を暗黙的に定義する。密度は、Hutchinsonの確率的推定器を用いた発散のトレースから得られる。
• 学習目的関数: モデルは、ガウスノイズのサンプルとデータ点の間の直線的な確率パスの速度に対してベクトル場を回帰させる、シミュレーションフリーの条件付きフロー・マッチング目的関数を用いて訓練される。これにより、可逆な結合層によるアーキテクチャ上の制約を回避している。
• 特徴量の扱い:
  • センチネル補完（Sentinel Imputation）: 追加のジェットが存在しない場合に定義されない角度特徴量（例：$\Delta\phi(E^{\text{miss}}_T, \text{jet})$）に対処するため、著者らはこれらの値を物理的な連続体へ補完するのではなく、明示的な範囲外のセンチネル値（$-999$）にマッピングしている。これにより、偽の点質量が生成されるのを防いでいる。
  • 特徴量セット: 運動学的、角度的、およびリコイル観測量を含む32個の特徴量スキーマが使用されている。6つの追加ジェット運動学的特徴量がベースラインに含まれているが、アブレーション研究において除去されている。

3. 統計的枠組み

• 識別子: 背景密度のイベントごとの負の対数尤度（NLL）が識別子として機能する。
• ホールドアウト・スコアリング: インサンプルでのスコアリングバイアスを避けるため、背景モデルはデータの80%で訓練され、保持された20%の検証分割のみでスコアリングされる。これらのスコア付けされたイベントは、全選択集団の収量を推定するために再重み付けされる。
• 有意性の計算: 期待される有意性（$Z_A$）は、Asimov計数公式を用いて計算される。ワーキングポイントの選択にあたっては、ルック・エルスウェア・バイアスや稀なテール変動における不安定な最適化を避けるため、最小背景収量 $B \ge 20$ イベントによる制約の下でNLL閾値をスキャンする。
• トリガー・プロキシ: DelphesはCMSの高レベルトリガー（HLT）をエミュレートしないため、スコアリング前のシミュレートされたシグナルに対して、オフライン・トリガー・プロキシ（$H_T > 350 \text{ GeV}$ または $E^{\text{miss}}_T > 120 \text{ GeV}$ など）が適用される。

主な貢献

1. 手法の転換: 本論文は、背景モデリングのために、閉形式のNSFから連続的なフロー・マッチングCNFへの移行を実現している。これにより、可逆な層によるアーキテクチャの制約を受けることなく、シミュレーションフリーの目的関数を用いて、より柔軟で連続的な時間の密度モデルを扱うことが可能となる。
2. センチネル補完戦略: 著者らは、ジェットが少ないイベントにおける未定義の特徴量を、明示的なセンチネル値として保持する手法を導入している。これにより、物理的な連続体に偽の点質量を作り出すという、従来の補完手法で見られた問題を回避している。
3. 追加ジェット・トポロジーのアブレーション: 系統的なアブレーション研究により、詳細な追加ジェットの運動学（単純なジェット多重度を超えたもの）が実質的な識別能力を有しており、これを除去すると期待される有意性が53〜71%減少することが示されている。
4. 堅牢な統計プロトコル: 安定したバイアスのない投影感度を確保するため、ホールドアウト検証によるスコアリング、集団の再重み付け、および $B \ge 20$ のフロア設定を含む厳格なプロトコルを実装している。

結果

ベースラインの手順（32個の特徴量、センチネル補完、 $B \ge 20$ 制約）の下で、本解析は以下の3つの単純化モデル・ベンチマークに対して、以下の投影期待有意性を算出している：

• Axial $(10, 20)$ GeV: $2.89\sigma$
• Axial $(50, 200)$ GeV: $7.62\sigma$
• Vector $(1, 500)$ GeV: $7.41\sigma$

重いベンチマークは発見レベルの感度（$>5\sigma$）に達しており、軽い軸性ベクトル点は中程度の感度を示している。

アブレーション研究:
6つの詳細な追加ジェット運動学的特徴量を除去した場合（特徴量次元を26に減少）：

• 軽い軸性ベクトル点の有意性は、$2.89\sigma$ から $0.83\sigma$ へと劇的に低下した。
• 重いベンチマークは、それぞれ63.5%および53.5%低下した。
• これは、シグナルと背景の分離が、単なるコアのモノZ運動学だけでなく、追加ジェットのトポロジー（おそらく初期状態放射）に強く依存していることを示している。

意義と主張

本論文は、この手法が先行するレプトン的モノZ研究の重要な手法的拡張であることを主張している。ハドロン的チャネルへ移行することで、より大きな $Z \to q\bar{q}$ 分岐比を活用できるが、同時に、設計されたCFM-CNFモデルによって対処すべき、より複雑な背景事象に直面することになる。

著者らは、単一の背景密度識別子（二つの仮説の尤度比ではなく）への切り替えと、ホールドアウト検証分割の使用が、以前のレプトン的解析を悩ませた高-$E^{\text{miss}}_T$ テールの残留問題を回避したことを強調している。

謙虚さと限界:
著者らは、これらが投影された感度であり、観察された結果ではないことを明示している。シグナル領域のアンブライニング（unblinding）は行われていない。また、以下の制限事項を認めている：

• トリガー・プロキシ: オフライン・トリガー・プロキシは、特に軽いベンチマークにおいて、真の受容率を過大評価している可能性がある。
• 系統誤差: 密度モデルの選択やODEソルバーからの系統誤差は含まれておらず、統計的なポアソン不確かさのみが伝播されている。
• シミュレーションのギャップ: Delphesシミュレーションには、ピルアップのオーバーレイや簡略化されたbタギングが含まれていないため、特定の機能の除外が必要となっている。
• 構造的制限: 連続的な正規化流は、離散的かつ連続的な混合（例：追加ジェット欠如による $p_T=0$ のスパイク）を完全に表現することはできないが、センチネルによる修正が角度特徴の問題を軽減している。

結論として、本研究は、フロー・マッチング技術が、注意深い特徴量エンジニアリング（センチネル補完）および厳格な統計的制御と組み合わされることで、オープンデータを用いた複雑なハドロン的ダークマター探索に対して、堅牢な投影感度を提供できることを示している。