Search for exotic Higgs boson decays H $\to$ $\mathcal{AA}$ with $\mathcal{AA}$ $\to$ $\gamma\gamma$ in events with a semi-merged topology in proton-proton collisions at $\sqrt{s}$ = 13 TeV

기술 요약: 준-병합 위상(Semi-Merged Topologies)에서의 $H \to AA$ ($A \to \gamma\gamma$) 이색 힉스 보손 붕괴 탐색

문제 및 동기
표준 모형을 넘어서는 새로운 물리학(BSM)에 대한 탐색은 점차 이색적인 힉스 보손 붕해, 구체적으로는 $A$가 가상의 가벼운 스핀-0 입자로 붕해하는 과정인 $H \to AA$에 집중되어 왔다. 기존의 탐색들은 두 $A$ 보손이 두 개의 뚜렷한 광자로 붕해되는 완전 분해 영역($m_A \gtrsim 15$ GeV)과, 두 $A$ 보손이 고도로 밀집된 광자 쌍으로서 단일 객체로 재구성되는 완전 병합 영역($m_A \lesssim 1$ GeV)을 성공적으로 다루었으나, $1 < m_A < 15$ GeV 사이의 중간 질량 영역에서는 중요한 공백이 존재했다.

이 "준-병합(semi-merged)" 질량 영역에서, $H \to AA \to 4\gamma$ 붕해의 운동학은 재구성의 어려움을 야기한다. 한 $A$ 보손은 두 개의 분리된 광자로 붕해되는 반면, 다른 하나의 $A$ 보손은 두 개의 광자가 전자기 칼로리미터(ECAL) 내에서 물리적으로 병합되거나, 혹은 이차 광자가 표준 재구성 임계값($p_T > 10$ GeV) 미만으로 떨어지는 붕해를 보인다. 결과적으로 최종 상태는 세 개의 광자 유사 객체(두 개의 분해된 광자와 하나의 "병합된" 광자 후보)로 나타난다. 전통적인 방식으로는 표준 객체 운동학을 사용하여 병합된 다리(leg)의 불변 질량을 재구성하는 것이 불가능하므로, 칼로리미터 에너지 침적 패턴으로부터 부모 $A$ 입자의 질량을 직접 추론하는 새로운 접근법이 필요하다.

방법론
본 분석은 CMS 실험에서 수집된 $\sqrt{s} = 13$ TeV의 양성자-양성자 충돌 데이터(2016–2018년 통합 휘도 138 fb$^{-1}$에 해당)를 활용한다.

• 사건 선택 (Event Selection): 사건은 불변 질량이 55 GeV보다 큰 쌍광자 시스템에 의해 트리거된다. 선택 조건은 ECAL 배럴 영역($|\eta| < 1.44$)에서 정확히 세 개의 재구성된 광자 후보를 요구한다. 가장 높은 $p_T$를 가진 두 광자는 각각 $p_T > 30$ GeV 및 $18$ GeV를 만족해야 한다. 삼광자 불변 질량($m_{\Gamma\Gamma\Gamma}$)은 힉스 보손 신호를 포함할 수 있도록 $90 < m_{\Gamma\Gamma\Gamma} < 180$ GeV 범위 내로 제한된다.
• 위상 분류 (Topology Classification): 세 개의 광자는 두 개의 후보로 그룹화된다. 가장 가까운 두 광자로 형성되는 "분해된(resolved)" 후보($A_2$)와, 세 번째 광자로 형성되는 "병합된(merged)" 후보($A_1$)이다.
• 그래프 신경망(GNN)을 통한 질량 회귀 (Mass Regression): 병합된 후보의 질량($m_{A1}$)을 재구성하기 위해, 본 분석은 엔드-투-엔드(end-to-end) 딥러닝 기술을 사용한다. CNN을 사용하는 기존 방식과 달리, 본 분석은 그래프 신경망(구체적으로 Dynamic Reduction Network)을 사용한다.
  • 입력: 입력은 병합된 후보의 시드(seed) 결정 주변의 ECAL 결정 에너지 침적을 나타내는 $128 \times 128$ 행렬이다. 입력 특징에는 횡방향($E_T$) 및 종방향($E_z$) 에너지 성분과 결정 위치 좌표($x, y, z$)가 포함된다.
  • 구조: 네트워크는 학습된 특징 공간을 기반으로 그래프를 동적으로 구축하는 EdgeConv 모듈을 사용하며, 결정 침적의 순서가 없는 특성을 처리하기 위해 치환 불변성(permutation invariance)을 활용한다. 잔차 연결(residual connections)과 풀링 레이어는 그래프 크기를 점진적으로 줄여 질량을 예측하는 단일 출력 노드로 수렴시킨다.
  • 훈련 및 교정: 모델은 질량과 $p_T$에 대해 평탄한 분포를 갖는 시뮬레이션된 $A \to \gamma\gamma$ 샘플로 훈련된다. 경계 효과를 처리하고 신호와 배경(단일 광자)을 구분하기 위해, 음의 타겟 질량을 할당된 단일 광자 샘플을 포함한다(도메인 연속성 적용). 회귀 응답은 $Z \to e^+e^-$ 사건을 사용하여 교정되는데, 여기서 전자는 병합된 광자 샤워의 대리물 역할을 하며, 데이터와 시뮬레이션 간의 스케일 및 해상도 차이에 대한 보정이 적용된다.
• 신호 및 배경 모델링:
  • 신호 (Signal): 이산적인 질량 지점($m_A = 1, 3, 5, 10, 15$ GeV)에서의 시뮬레이션된 신호 사건으로부터 재구성된 질량($m_{A1}$ 대 $m_{A2}$)의 2D 템플릿을 생성한다. 중간 질량 값들은 보간법을 통해 결정된다.
  • 배경 (Background): 배경 모델은 $m_{\Gamma\Gamma\Gamma}$와 2D 질량 평면의 사이드밴드 영역을 사용하여 전적으로 데이터로부터 도출된다. 신호 영역에서의 배경 형태는 신호 오염을 피하기 위해 2D 질량 평면의 비대각 영역을 사용하여 정규화된, 저질량 및 고질량 $m_{\Gamma\Gamma\Gamma}$ 사이드밴드 형태의 선형 결합으로 추정된다.

주요 기여

1. 새로운 재구성 기술: 본 논문은 CMS 검출기 내의 준-병합 쌍광자 후보의 질량 회귀를 위한 그래프 신경망의 적용을 소개한다. 이 접근법은 ECAL 에너지 침적의 전체 세밀도를 활용하며, 회전 대칭성과 희소 데이터 구조를 자연스럽게 처리함으로써 기존의 CNN보다 뛰어난 성능을 보인다.
2. 질량 간극 해소: 본 분석은 이전에 완전 분해 또는 완전 병합 위상으로 인해 접근이 불가능했던 $1 < m_A < 15$ GeV 질량 범위를 성공적으로 타겟팅한다.
3. 데이터 기반 배경 추정: 본 방법론은 2D 사이드밴드를 사용하는 견고하고 전적으로 데이터 기반인 배경 추정 전략을 채택하여, 이 특정 위상에서 정확하게 모델링하기 어려운 QCD 다중 제트 및 $\gamma$+제트 사건에 대한 시뮬레이션 의존도를 최소화한다.

결과
본 분석은 탐색된 질량 범위 내에서 표준 모형 배경 기대치 대비 통계적으로 유의미한 사건 과잉을 발견하지 못했다. 이에 따라, 95% 신뢰 수준(CL)에서 힉스 보손 생성 단면적과 분기비의 곱, $\sigma(pp \to H) \times \mathcal{B}(H \to AA \to 4\gamma)$에 대한 상한선을 설정한다.

• 상한선: 관측된 상한선은 $m_A = 1$ GeV에서 0.264 pb부터 $m_A = 15$ GeV에서 0.005 pb까지의 범위를 갖는다.
• 비교: 이 결과는 $1–5$ GeV 질량 범위에서 현재까지 가장 엄격한 제한을 나타낸다. 구체적으로, $m_A = 3$ GeV에서 관측된 상한선은 이전의 ATLAS 결과보다 약 100배 더 엄격하다. 낮은 질량에서는 완전 병합 위상의 우세함으로 인해, 그리고 높은 질량에서는 낮은 사건 수와 큰 배경 불확실성으로 인해 완전 병합 CMS 탐색에 비해 민감도가 약간 낮지만, 준-병합 접근법은 전체 스펙트럼에 걸쳐 연속적인 범위를 제공한다.

의의
본 논문은 이 연구가 $m_A = 1–15$ GeV 범위에서 $H \to AA \to 4\gamma$ 채널에 대한 CMS 실험의 첫 번째 측정임을 주장한다. 딥러닝 기반 질량 회귀 기술을 개발하고 검증함으로써, 본 분석은 표준 재구성이 실패하는 위상에서도 이색적인 힉스 붕해를 조사하는 것이 가능하다는 것을 입증하였다. 이 결과는 특히 기존의 제한이 약했던 저질량 영역에서 2-Higgs-Doublet Model plus a Singlet (2HDM+S) 및 액시온 유사 입자(axion-like particle) 생성 시나리오와 같은 BSM 모델들을 강력하게 제약한다. 본 연구는 준-병합 신호를 탐색하는 데 있어 새로운 기준점을 제시한다.