Search for squarks and gluinos in $pp$ collisions at $\sqrt{s} = 13$ TeV and $13.6$ TeV in events with $τ$-leptons, jets and missing transverse momentum using the ATLAS detector

ATLAS 검출기를 사용하여, 이 논문은 140 fb⁻¹ 및 51.8 fb⁻¹의 데이터를 바탕으로 타우 입자, 제트, 그리고 결측 가로 운동량을 포함하는 13 및 13.6 TeV 양성자-양성자 충돌에서의 R-패리티 보존 초대칭성에 대한 탐색을 제시하며, 이는 2.25 TeV 미만의 글루이노 질량과 1.7 TeV까지의 스쿼크 질량을 배제한다.

핵심

개요: "유령" 입자를 찾아서

우주를 거대한 초고속 자동차 경주라고 상상해 보세요. **대형 강입자 충돌기(LHC)**는 경주 트랙이고, ATLAS 검출기는 모든 충돌을 기록하는 거대하고 초고속인 카메라 시스템입니다.

물리학자들은 이 경주의 규칙을 매우 잘 알고 있습니다. 이 규칙책을 **표준 모형(Standard Model)**이라고 부릅니다. 이는 전자나 쿼크 같은 입자들이 어떻게 행동하는지 설명해 줍니다. 하지만 이 규칙책에는 구멍이 있습니다. 왜 중력이 다른 힘들에 비해 그렇게 약한지, 혹은 암흑 물질(Dark Matter)(은하를 하나로 묶어주는 보이지 않는 물질)의 정체가 무엇인지 설명하지 못합니다.

이 구멍들을 메우기 위해 과학자들은 **초대칭(Supersymmetry, SUSY)**이라는 이론을 세웠습니다. 이것은 마치 "그림자 세계" 이론과 같습니다. 모든 알려진 입자(예: 쿼크)에 대해, 더 무겁고 보이지 않는 "초대칭 짝(super-partner)"(예: 스쿼크 또는 글루이노)이 존재한다는 가설입니다. 만약 이 초대칭 짝들이 존재한다면, 그들은 암흑 물질의 완벽한 후보가 될 것입니다.

임무: 그림자를 포착하라

문제는 우리가 이 초대칭 짝들을 한 번도 본 적이 없다는 점입니다. 만약 존재한다면, 이들은 매우 무거워서 생성되자마자 즉시 다른 입자로 붕괴(분해)될 가능성이 높습니다.

이 논문은 이러한 초대칭 짝들의 특정 "시그니처(징후)"를 찾는 과정을 설명합니다. 과학자들은 다음과 같은 충돌 현상을 찾고 있습니다:

1. 제트(Jets): 일반적인 입자들의 분사(충돌로 인한 파편 같은 것).
2. 타우 레프톤(Tau Leptons): 특정 종류의 무거운 입자(무거운 전자라고 생각하면 됩니다).
3. 결측 횡운동량(Missing Transverse Momentum): 이것이 가장 중요한 단서입니다. 정상적인 충돌에서는 파편이 모든 방향으로 균형 있게 날아갑니다. 만약 카메라에 파편이 한쪽으로 날아갔는데 반대쪽에는 아무것도 보이지 않는다면, 이는 무언가 보이지 않는 것이 트랙 밖으로 날아갔음을 의미합니다. 이 이론에서 그 "보이지 않는 무언가"가 바로 암흑 물질의 후보인 **최경량 초대칭 입자(LSP)**입니다.

전략: 두 가지 서로 다른 탐정 스타일

연구팀은 단순히 한 가지 방식으로 데이터를 조사하지 않았습니다. 놓치는 것이 없도록 두 가지 서로 다른 탐정 스타일을 사용했습니다.

1. "컷 앤 카운트(Cut-and-Count)" 방식 (엄격한 필터)
당신이 연못에서 특정 종류의 물고기를 찾고 있다고 상상해 보세요. 당신은 아주 구체적인 구멍이 있는 그물을 설치합니다: "길이가 5인치보다 크고, 빨간 지느러미를 가졌으며, 왼쪽으로 헤엄치는 물고기만 잡는다."

• 작동 원리: 과학자들은 데이터에 엄격한 규칙(컷)을 적용합니다. 예를 들어, "결측 에너지가 엄청나게 큰 충돌만 본다"거나 "타우 입자가 매우 느리게 움직이는 충돌만 본다"와 같은 규칙입니다.
• 이유: 이 방식은 특정하고 예측 가능한 패턴을 찾는 데 탁 Great합니다. 그들은 서로 다른 시나리오를 위해 각기 다른 "그물"을 만들었습니다. 하나는 "압축된(compressed)" 모델(초대칭 입자들의 질량이 서로 가까운 경우)을 위한 것이고, 다른 하나는 "고질량(high mass)" 모델을 위한 것입니다.

2. 머신러닝 방식 (스마트한 AI)
엄격한 규칙을 정하는 대신, 수백만 장의 일반적인 충돌 사진과 몇 장의 "그림자" 충돌 사진을 공부한 초스마트 AI를 고용했다고 상상해 보세요.

• 작동 원리: 컴퓨터에 수백만 번의 시뮬레이션된 충돌 데이터를 입력했습니다. AI는 인간이 놓칠 수 있는 미세한 패턴을 포착하는 법을 배웠습니다. AI는 단순히 하나의 숫자만 보는 것이 아니라, 전체 사건의 형태를 보았습니다.
• 결과: AI는 모든 충돌에 대해 0에서 1 사이의 "의심 점수"를 부여합니다. 점수가 높으면 그림자 입자일 가능성이 높고, 점수가 낮으면 그냥 일반적인 충돌입니다. 이 방법은 매우 포괄적이며 더 다양한 잠재적 신호를 잡아낼 수 있습니다 있습니다.

데이터: 거대한 도서관

과학자들은 단지 몇 번의 충돌만 살펴본 것이 아닙니다. 그들은 방대한 데이터 도서관을 분석했습니다:

• **140 페타바이트(Petabytes)**의 데이터 (2015~2018년 수집).
• **51.8 페타바이트(Petabytes)**의 데이터 (2022~2023년 수집).
  그들은 세 가지 다른 "채널"(충돌 유형)을 살펴보았습니다:
• 정확히 하나의 타우 입자만 있고 다른 가벼운 입자는 없는 경우.
• 정확히 하나의 타우 입자와 적어도 하나의 다른 가벼운 입자(전자 또는 뮤온)가 있는 경우.
• 두 개 이상의 타우 입자가 있는 경우.

도전 과제: "가짜" 단서들

이 작업에서 가장 어려운 부분 중 하나는 진짜 "타우 입자"와 "가짜 타우"를 구별하는 것입니다.

• 비유: 당신이 특정 종류의 새를 찾고 있다고 상상해 보세요. 그런데 가끔 구름이 새처럼 보이거나, 쓰레기 조각이 새처럼 보일 때가 있습니다.
• 해결책: 과학자들은 "데이터 기반(data-driven)" 방법을 사용했습니다. 그들은 그림자 입자가 절대 존재할 수 없는 데이터 영역을 조사하여, 구름이 얼마나 자주 새처럼 보이는지를 계산했고, 그 수학적 모델을 사용하여 주요 탐색 영역에 있는 "가짜 새"의 수를 추정했습니다. 이를 통해 노이즈를 빼고 실제 신호를 볼 수 있었습니다.

결과: 그림자의 침묵

숫자를 돌리고, AI 점수를 확인하고, 엄격한 필터를 실제 데이터와 비교한 결과는 명확했습니다: 아무것도 발견되지 않았습니다.

• 유령 없음: 표준 모형으로부터 유의미한 편차는 발견되지 않았습니다. "결측 에너지" 이벤트의 수는 기존 물리학이 예측한 것과 정확히 일치했습니다.
• 배제(Exclusion): 입자를 찾아내지는 못했지만, 입자가 존재하지 않는 곳은 찾아냈습니다.
  • 그들은 95%의 확신도로 글루이노(초대칭 짝의 일종)가 2.25 TeV(매우 무거운 질량)보다 가볍지 않다는 것을 밝혀냈습니다.
  • 또한 스쿼크가 1.7 TeV보다 가볍지 않다는 것도 밝혀냈습니다.
  • 그들은 많은 특정 질량 조합들을 배제했습니다.

결론

이 탐색을 건초더미에서 바늘을 찾는 것에 비유해 봅시다. 과학자들은 바늘을 찾지 못했습니다. 하지만 더 좋은 자석(새로운 검출기), 더 큰 건초더미(더 많은 데이터), 그리고 더 똑똑한 검색 알고리즘(머신러닝)을 사용함으로써, 그들은 바늘이 건초더미의 하단부에는 없다는 것을 증명해 냈습니다.

그들은 이 입자들이 존재할 수 없는 경계선을 밀어냈으며, 이론가들이 다음에 어디를 찾아봐야 할지 다시 생각하게 만들었습니다. 탐색은 계속되지만, 이 입자들을 찾기 쉬웠던 "쉬운 곳"들은 이제 제외되었습니다.

기술 요약

기술 요약: $\tau$-렙톤, 제트 및 결측 가로 운동량($E^{\text{miss}}_T$)을 동반하는 이벤트에서의 스쿼크(Squark) 및 글루이노(Gluino) 탐색

문제 및 동기
표준 모형(Standard Model, SM)은 실험적으로는 매우 견고하지만, 여전히 불완전한 유효 이론으로 남아 있다. 이는 계층 문제(hierarchy problem), 힉스 퍼텐셜의 미세 조정(fine-tuning), 그리고 암흑 물질의 본질 문제를 해결하지 못한다. 초대칭(Supersymmetry, SUSY)은 보존과 페르미온 사이의 대칭성을 도입하여 모든 알려진 입자에 대한 초동반자(superpartner)를 예측하는 이론적 확장을 제공한다. 많은 SUSY 시나리오에서 R-패리티(R-parity)는 보존되며, 이는 초대칭 입자들이 쌍으로 생성되고 가장 가벼운 초대칭 입자(LSP)가 안정되어 유망한 암흑 물질 후보 역할을 함을 의미한다.

본 논문은 R-패리티가 보존되는 SUSY, 구체적으로 글루이노($\tilde{g}$)와 제1세대 또는 제2세대 좌향(left-handed) 스쿼크($\tilde{q}$)의 쌍생성을 대상으로 하는 탐색을 제시한다. 이 분석은 이러한 입자들이 중간 상태($\tilde{\chi}^{\pm}_1$, $\tilde{\chi}^0_2$)를 거쳐 $\tau$-슬렙톤($\tilde{\tau}$) 또는 $\tau$-스뉴트리노($\tilde{\nu}_{\tau}$)로 카스케이드(cascade) 붕괴하고, 이후 LSP($\tilde{\chi}^0_1$)와 SM $\tau$-렙톤 또는 $\nu_{\tau}$로 붕괴하는 경로에 초점을 맞춘다. 그 결과, 최종 상태는 하드론적으로 붕괴하는 $\tau$-렙톤, 제트, 그리고 상당한 결측 가로 운동량($E^{\text{miss}}_T$)의 특징을 갖는다. 이전의 ATLAS(2015–2016) 및 CMS(2011) 탐색은 글루이노 질량을 각각 2 TeV 및 1.15 TeV 미만으로 배제했다. 본 분석은 개선된 재구성 기술과 고급 분석 전략을 활용하여, 전체 Run 2 데이터셋과 초기 Run 3 데이터를 사용하여 이러한 한계치를 확장하는 것을 목표로 한다.

방법론
본 분석은 중심 질량 에너지 $\sqrt{s} = 13$ TeV (2015–2018, 140 fb$^{-1}$) 및 $\sqrt{s} = 13.6$ TeV (2022–2023, 51.8 fb$^{-1}$)에서 ATLAS 검출기에 의해 수집된 양성자-양성자 충돌 데이터를 사용한다.

• 이벤트 선택 및 채널: 이벤트는 $E^{\text{miss}}_T > 200$ GeV, 적어도 하나의 하드론적으로 붕괴하는 $\tau$-렙톤, 그리고 적어도 두 개의 제트(그 중 하나는 $p_T > 120$ GeV)를 통과하는 사전 선택 과정을 거쳐야 한다. 탐색은 렙톤 함량에 따라 세 가지 직교 채널로 나뉜다:

  1. 1tau0lep: 정확히 하나의 하드론 $\tau$가 존재하며, 전자나 뮤온은 없음.
  2. 1tau1lep: 정확히 하나의 하드론 $\tau$와 적어도 하나의 전자 또는 뮤온이 존재함.
  3. 2tau: 두 개 이상의 하드론 $\tau$-렙톤이 존재함.

• 분석 전략: 두 가지 독립적인 접근 방식이 사용되며 통계적으로 결합된다:

  1. 기계 학습(ML) 접근 방식: 부스팅 결정 트리(XGBoost)를 사용하는 다중 클래스 분류를 통해 신호와 SM 배경 사건(W+jets, Z+jets, 디보존, Top, 그리고 가짜 $\tau$ 포함)을 구분하도록 훈련된다. 전체 위상 공간이 활용되며, 신호 영역(SR)은 높은 분류기 점수(>0.75–0.8)에 의해 정의된다. 이 방식은 엄격한 운동학적 컷을 부과하지 않고 변수 간의 상관관계를 포착한다.
  2. Cut-and-Count 접근 방식: 특정 신호 위상에 최적화된 전통적인 선택 컷이 적용된다. 여기에는 소프트 $\tau$-렙톤을 가진 낮은 질량 분리($\Delta m$)를 겨냥한 "압축된(Compressed)" SR과 큰 질량 분리를 겨냥한 "고질량(High Mass)" SR이 포함된다. $E^{\text{miss}}_T$, $H_T$, 그리고 횡단 질량($m_T$, $m_{T2}$)과 같은 운동학적 변수가 빈닝(binning)에 사용된다.

• 배경 사건 추정:

  • Top 및 디보존: 전용 제어 영역(CR)에서 데이터에 정규화된 몬테카를로(MC) 시뮬레이션을 사용하여 추정한다.
  • 가짜 $\tau$ (제트로 오인된 $\tau$): 데이터 기반의 유니버설 페이크 팩터(Universal Fake Factor, UFF) 방식을 사용하여 추정한다. 페이크 팩터는 전용 영역(Multijet, $Z(\ell\ell)$, $W(\mu\nu)$)에서 측정되어 분석의 안티-식별(anti-identification) 영역에 적용된다.
  • 계통 오차: 검출기 보정(제트, $\tau$, 렙톤), 휘도(luminosity), 파일업(pile-up), 이론적 모델링(PDFs, 스케일 변화), 그리고 데이터 기반 방식의 통계적 불확실성을 포함한 종합적인 오차 세트가 고려된다.

• 통계 분석: 모든 CR, 검증 영역(VR) 및 SR에 대해 동시 우도 적합(simultaneous likelihood fit, HistFitter/pyhf 사용)을 수행한다. 모델링 검증을 위해 배경-전용(background-only) 적합이 사용되며, 단순화된 SUSY 모델에 대한 배제 한계를 설정하기 위해 모델 의존적 적합(CL$_s$ 처방 사용)이 사용된다.

주요 기여

• Run 2 및 Run 3 데이터 결합: 이 연구는 13.6 TeV에서의 전체 Run 2 데이터셋과 초기 Run 3 데이터를 결합한 이 채널에서의 첫 번째 ATLAS 탐색으로, 통계적 성능을 크게 향상시켰다.
• 이중 전략 접근 방식: 기계 학습 기반 방식과 cut-and-count 방식의 동시 사용은 다양한 SUSY 파라미터 공간에 걸쳐 최적의 민감도를 허용한다. ML 방식은 고질량 영역에서 탁월하며, cut-and-count 방식은 전용 압축 SR을 통해 저질량 분리 시나리오에서 더 우수하다.
• 고급 배경 모델링: 가짜 $\tau$ 추정을 위한 UFF 방식의 구현과 신호/배경 분리를 위한 다중 클래스 BDT의 사용은 이전 버전들에 비해 정교해진 점이다.
• 포괄적인 채널 결합: 1tau0lep, 1tau1lep, 2tau 채널의 통계적 결합은 다양한 붕괴 위상에 대한 민감도를 극대화한다.

결과
어떠한 신호 영역에서도 SM 예측으로부터 유의미한 편차는 관찰되지 않았다. 가장 큰 국소적 과잉(local excess)의 유의성은 $2\sigma$ 미만이었다.

• 배제 한계:

  • 글루이노 모델: LSP 질량($m_{\tilde{\chi}^0_1}$)이 1.35 TeV까지일 때, 글루이노 질량($m_{\tilde{g}}$) 최대 2.25 TeV까지 배제된다. 압축된 영역에서는 $\Delta m(\tilde{g}, \tilde{\chi}^0_1) > 150$ GeV인 모델들이 배제된다.
  • 스쿼크 모델: LSP 질량이 0.85 TeV까지일 때, 스쿼크 질량($m_{\tilde{q}}$) 최대 1.7 TeV까지 배제된다. 압축된 영역에서는 $\Delta m(\tilde{q}, \tilde{\chi}^0_1) > 130$ GeV인 모델들이 배제된다.
  • 비교: 이러한 한계치는 더 큰 데이터셋, 개선된 $\tau$-렙톤 식별, 그리고 ML 기술의 포함에 힘입어 이전의 탐색(예: 2015–2016 분석)보다 유의미한 개선을 나타낸다.

• 모델 독립적 한계: 특정 SR에서의 새로운 물리 과정에 대한 가시적 단면적($\sigma_{\text{vis}}$)의 상한선이 95% 신뢰 수준에서 0.02에서 0.31 fb 범위로 설정되었다.

의의
본 논문은 글루이노 또는 스쿼크 쌍생산과 $\tau$가 풍부한 카스케이드 붕괴를 포함하는 단순화된 SUSY 모델에 대해 현재까지 가장 엄격한 한계를 설정한다고 결론짓는다. 신호의 부재는 R-패리티가 보존되는 SUSY의 파라미터 공간을 제한하며, 특히 이전에 접근 가능했던 가벼운 글루이노 및 스쿼크 시나리오를 배제한다. 이 연구는 전통적인 컷 기반 방법과 기계 학습을 결다면 결합하고 초기 Run 3 데이터를 활용하여 더 높은 질량 척도와 더 압축된 스펙트럼을 조사하는 데 효과적임을 입증한다. 결과는 단순화된 모델 내에서 해석되지만, 유사한 최종 상태를 생성하는 다른 SUSY 프레임워크(예: NUHM, mSUGRA, 또는 GMSB)에도 적용 가능하다.