Search for higgsinos in compressed mass spectra using low-momentum tracks in $pp$ collisions at $\sqrt{s}=13$ TeV with the ATLAS detector

기술 요약: $\sqrt{s}=13$ TeV $pp$ 충돌에서 저모멘텀 트랙을 이용한 압축된 질량 스펙트럼 내 히그시노 탐색

문제 및 동기
본 논문은 질량 스펙트럼이 "압축된(compressed)" 시나리오에서 초대칭(SUSY) 히그시노를 찾는 문제를 다룬다. 미니멀 초대칭 표준 모형(MSSM) 시나리오에서 히그시노 질량 파라미터 $|\mu|$가 바이노($M_1$) 및 위노($M_2$) 질량 파라미터보다 훨씬 작을 경우, 가장 가벼운 초대칭 입자(LSP)들은 거의 퇴화된(degenerate) 히그시노 유사 삼중항 상태($\tilde{\chi}^0_1, \tilde{\chi}^\pm_1, \tilde{\chi}^0_2$)를 형성한다. 이 상태들 사이의 작은 질량 차이($\Delta m$)는 복사 보정(radiative corrections)에 의해 발생하며, 이는 매우 낮은 횡운동량($p_T$)을 가진 붕괴 생성물을 초래한다. 결과적으로 표준 트리거 임계값과 재구성 알고리즘은 이러한 이벤트를 탐지하는 데 실패하는 경우가 많으며, 특히 질량 차이가 1 GeV 미만일 때 그러하다. 기존의 탐색들은 "사라지는 트랙(disappearing track)" 신호( $\Delta m \lesssim 300\text{--}400$ MeV)와 프롬프트 레프톤(prompt lepton) 신호( $\Delta m \gtrsim 1.5$ GeV)를 다루었으나, 기존 제약이 약하거나 존재하지 않는 중간 및 저질량 차이 영역에는 공백이 남아 있었다.

방법론
본 분석은 ATLAS 검출기에서 수집된 $\sqrt{s}=13$ TeV에서의 140 fb$^{-1}$ 양성자-양성자 충돌 데이터를 활용한다. 탐색 전략은 고-$p_T$ 초기 상태 복사(ISR) 제트에 결합된 히그시노 쌍 생성(higgsino pair production)을 식별하는 것에 의존하며, 이는 히그시노 시스템을 부스트시켜 유의미한 결측 횡운동량($E^{\text{miss}}_T$)을 생성함으로써 이벤트를 트리거하게 한다. 서로 다른 질량 차이 영역을 커버하기 위해 두 가지 별개의 탐색 전략이 사용되며, 두 전략 모두 부드러운(soft) 붕내 생성물을 식별하기 위해 머신 러닝(신경망)을 활용한다:

1. 변위 트랙 탐색 ($\Delta m \approx 0.3\text{--}1$ GeV):

   • 대상: 전하를 띤 히그시노($\tilde{\chi}^\pm_1$)가 $c\tau \approx 0.1\text{--}10$ mm의 수명을 가지며, 부드러운 파이온($\pi^\pm$)과 LSP($\tilde{\chi}^0_1$)로 붕괴하는 시나리오.
   • 신호: 높은 $E^{\text{miss}}_T$, 높은 $p_T$를 가진 제트, 그리고 큰 횡방향 충격 매개변수($d_0$)를 가진 적어도 하나의 저모멘텀 전하 트랙.
   • 기법: 두 개의 완전 연결 신경망(fully connected NNs)이 사용된다: 전역 운동학(제트 $p_T$, $E^{\text{miss}}_T$)을 사용하는 "이벤트 수준(event-level)" NN과 트랙 특성($p_T, d_0$, 격리도, 이차 정점 매칭)을 사용하는 "트랙 수준(track-level)" NN이다. 신호 영역(SRs)은 이 두 NN 점수의 2D 평면상에 정의된다.
   • 배경 추정: $Z(\to\nu\bar{\nu})+\text{jets}$ 및 $W^\pm(\to\tau\nu)+\text{jets}$에 의해 지배된다. 제어 영역(CRs)을 사용하여 정규화 계수를 도출하고, 파일업(pile-up) 및 트랙 격리도의 모델링 오류를 교정하기 위한 트랙 수준 재가중치 계수를 적용하는 반(semi)-데이터 구동 방식을 사용한다.

2. 1-레프톤 1-트랙 (1$\ell$1T) 탐색 ($\Delta m \approx 1\text{--}3$ GeV):

   • 대상: 히그시노가 오프셸 게이지 보손($\tilde{\chi}^0_2 \to Z^* \to \ell^+\ell^-$ 및 $\tilde{\chi}^\pm_1 \to W^{*\pm} \to \ell\nu$)을 통해 프롬프트하게 붕괴하는 시나리오.
   • 신호: 높은 $E^{\text{miss}}_T$, 높은 $p_T$를 가진 제트, 정확히 하나의 표준 "타이트(tight)" 레프톤, 그리고 하나의 추가적인 저-$p_T$ 레프톤-트랙 후보(전자 또는 뮤온).
   • 기법: 표준 ATLAS 역량을 넘어서는 $p_T \in [0.5, 5]$ GeV 범위의 전자 및 뮤온을 식별하기 위해 NN 기반의 전용 저-$p_T$ 레프톤-트랙 식별(ID) 알고리즘이 개발되었다. 매개변수화된 신경망(pNN)이 사용되며, 이는 질량 차이 $\Delta m(\tilde{\chi}^0_2, \tilde{\chi}^0_1)$를 입력 파라미터로 받아 다양한 질량 가설에 걸쳐 선택 기준을 동적으로 최적화한다.
   • 배경 추정: 저-$p_T$ 레프톤-트랙을 가짜로 생성하는 $W^\pm+\text{jets}$가 주요 배경이다. 데이터 구동 "전이 계수(transfer factor)" 방법이 사용되며, 이는 제어 영역에서 통과하는 트랙과 실패하는 트랙의 비율을 측정하여 신호 영역의 가짜 배경을 추정한다.

주요 기여

• 새로운 식별 기술: NN 기반의 "소프트-레프톤 태거(soft-lepton taggers)" 및 "트랙 수준" 분류기의 개발과 적용은 표준 트리거 및 재구성과 달리 $p_T$가 0.5 GeV만큼 낮은 입자까지의 재구성과 식별을 가능하게 한다.
• 매개변수화된 머신 러닝: 1$\ell$1T 탐색에서 pNN의 사용은 별도의 개별 훈련 없이도 단일 모델이 넓은 범위의 질량 차이 가설($\Delta m = 1\text{--}5$ GeV)을 효과적으로 커버할 수 있게 한다.
• 포괄적인 배경 모델링: 트랙 수준 재가중치를 사용하는 변위 트랙 탐색과 전이 계수 방법을 사용하는 1$\ell$1T 탐색을 포함한 정교한 반-데이터 구동 방식의 구현은 낮은 통계량과 복잡한 운동학을 가진 영역에서 강건한 배경 추정을 제공한다.

결과

• 관측: 표준 모형(SM) 예측에 대해 유의미한 이벤트 과잉이 관측되지 않았다. 신호 영역의 모든 관측된 이벤트 수율은 통계적 및 계통적 불확실성 범위 내에서 배경 기대치와 일치하였다 (편차는 일반적으로 $2\sigma$ 이내였다).
• 제한(Exclusion) 한계:
  • 변위 트랙 탐색: 질량 차이가 약 0.6 GeV일 때 차지노 질량($m_{\tilde{\chi}^\pm_1}$)을 약 200 GeV까지 배제한다.
  • 1$\ell$1T 탐색: 질량 차이가 약 2 GeV일 때 차지노 질량을 약 130 GeV까지 배제한다.
  • 결합: 결합된 결과는 질량 차이가 0.3에서 2 GeV 사이일 때 95% 신뢰 수준에서 126 GeV 미만의 차지노 질량을 배제한다.
• 모델 독립적 제한: 1, 3, 5 GeV 질량 차이에 최적화된 1$\ell$1T 탐색 영역에 대해 일반적인 BSM 프로세스에 대한 가시적 단면적(visible cross-section) 상한선이 설정되었다.

의의
본 논문은 이러한 결과가 특정 부분의 압축된 히그시노 파라미터 공간(특히 $\Delta m \approx 0.3\text{--}2$ GeV)에 대한 최초의 ATLAS 제약임을 주장한다. 결정적으로, 이 새로운 제한은 0.9–1.2 GeV 범위의 질량 차이에 대해 가장 강력한 제약을 보유했던 LEP 실험을 포함한 타 실험들의 제한을 능가한다. "사라지는 트랙"과 "프롬프트 레프톤" 영역 사이의 간극을 메우고 배제 범위를 더 높은 질량으로 확장함으로써, 본 연구는 단순화된 SUSY 모델의 맥락에서 압축된 질량 스펙트럼을 가진 히그시노 유사 차지노 및 중성미자에 대해 현재까지 가장 엄격한 제약을 제공한다.