Measurement of the Higgs boson total decay width using the H $\to$ WW $\to$ e$\nu\mu\nu$ decay channel in proton-proton collisions at $\sqrt{s}$ = 13 TeV

13 TeV 양성자-양성자 충돌 데이터 138 fb$^{-1}$를 이용하여 CMS 실험은 H $\to$ WW $\to$ e$\nu\mu\nu$ 채널을 통해 힉스 보손의 총 붕괴 폭을 3.9$^{+2.7}_{-2.2}$ MeV 로 측정하였으며, 이는 이전 결과 대비 불확도를 세 배 개선한 동시에 표준 모형과의 일관성을 확인한 것입니다.

핵심

이 논문은 간단한 언어와 창의적인 비유를 사용하여 설명한 것입니다.

큰 그림: 유령의 무게 재기

힉스 보손을 상상해 보세요. 거대한 입자 가속기 (대형 강입자 충돌기, LHC) 에서 순간적으로 나타나 사라지는 매우 수줍고 엄청나게 빠른 유령입니다. 과학자들은 이 유령이 얼마나 "무거운"지, 즉 물리학자들이 **붕괴 폭 (decay width)**이라고 부르는 에너지 측면에서 정확히 알고 싶어 합니다.

붕괴 폭을 종소리의 크기라고 생각하세요.

• 오랫동안 울리는 종 (넓은 붕괴 폭) 은 시끄럽고 듣기 쉽습니다.
• 아주 짧은 순간만 울리는 종 (좁은 붕괴 폭) 은 잡기 매우 어려운 조용한 "띵" 소리입니다.

표준 모형 (물리학의 규칙집) 은 이 힉스 유령이 매우 조용한 "띵" 소리여야 한다고 예측합니다. 너무 조용해서 우리의 검출기로는 직접 듣기에 너무 흐릿합니다. 마치 화장실 저울로 깃털의 정확한 무게를 재려는 것과 같습니다. 저울이 충분히 민감하지 않기 때문입니다.

트릭: 메아리 듣기

유령을 직접 무게를 잴 수 없으므로, CERN 의 CMS 팀은 교묘한 트릭을 사용했습니다. 그들은 유령이 나타나는 두 가지 다른 방식을 살펴보았습니다.

1. "온-셸 (On-Shell)" 유령 (주요 사건): 이는 유령이 정상적이고 예상되는 에너지 (125 GeV) 에서 나타나는 것입니다. 마치 유령이 초대된 정확한 시간에 파티에 나타나는 것과 같습니다.
2. "오프-셸 (Off-Shell)" 유령 (희귀한 손님): 이는 유령이 훨씬 더 높은 에너지 (160 GeV 이상) 에서 나타나는 것입니다. 마치 유령이 훨씬 더 높은 에너지 수준으로 파티에 난입하는 것과 같습니다. 이는 매우 드뭅니다.

비유:
엔진을 직접 볼 수 없는데 자동차 엔진이 얼마나 빠르게 돌아가는지 알아내려 한다고 상상해 보세요. 대신 저속 주행 시 (온-셸) 연료 소비량과 엔진을 적색 영역까지 회전시킬 때 (오프-셸) 의 연료 소비량을 비교해 보세요.

이 논문은 이러한 "연료 소비량" 사이의 비율이 엔진의 비밀스러운 속도 (붕괴 폭) 를 알려준다고 설명합니다. 유령이 매우 "좁은" (조용한) 경우, 정상적인 버전과 비교하여 고에너지 "오프-셸" 버전을 생성하기가 훨씬 더 어렵습니다. 고에너지 버전이 정상적인 버전과 비교하여 얼마나 자주 나타나는지 측정함으로써 폭을 계산할 수 있습니다.

실험: 위대한 필터

과학자들은 **138 펨토바른 (femtobarns)**의 데이터를 살펴보았습니다. 이를 쉽게 이해하자면, 2016 년부터 2018 년 사이에 LHC 에서 일어난 138 조 개의 양성자 충돌을 지켜본 것과 같습니다.

그들은 특정 신호를 찾았습니다. 힉스 보손이 두 개의 W 입자로 변한 후, 다시 전자와 뮤온 (그리고 몇몇 보이지 않는 중성미자) 으로 변하는 것입니다.

• 도전 과제: 배경 잡음이 엄청납니다. 관중석 가득 찬 응원하는 팬들 사이에서 속삭임을 듣는 것과 같습니다. "팬들"은 힉스가 아닌 다른 입자 충돌로, 비슷해 보이지만 힉스는 아닙니다.
• 해결책: 그들은 **심층 신경망 (DNN)**을 사용했습니다. 이는 초지능 AI 심판과 같습니다. 모든 단일 충돌을 살펴보며 "이것이 힉스 유령처럼 보이는가, 아니면 그냥 배경 잡음인가?"라고 물었습니다. 주변을 날아다니는 다른 입자 (제트) 의 수에 따라 사건을 다른 범주로 분류했습니다.

결과: 완벽한 일치

소음을 분류하고 AI 심판을 사용한 후, 팀은 다음과 같은 결과를 얻었습니다.

• 오프-셸 신호: 그들은 고에너지 유령이 얼마나 자주 나타나는지 측정했습니다. 그 결과는 1.2(일부 불확실성 포함)였습니다. 규칙집에서 1.0 은 완벽함을 의미합니다. 따라서 1.2 는 예상치와 매우 가깝습니다.
• 총 폭: 고에너지 유령과 정상 유령의 비율을 사용하여 총 붕괴 폭을 계산했습니다.
  • 그들의 결과: 3.9 MeV(약간의 오차 범위 포함).
  • 예측: 4.1 MeV.

판결: 이 측정은 표준 모형과 완벽하게 일치합니다. 유령은 규칙집이 말했듯이 정확히 조용하고 회피적입니다.

왜 이것이 중요한가

이것은 단순히 "우리가 그것을 발견했다"는 논문이 아니라, "우리가 그것을 정밀하게 측정했다"는 논문입니다.

• 개선: 이 결과는 같은 팀이 이전 데이터를 사용하여 시도했던 이전 시도보다 3 배 더 정밀합니다.
• 새로운 채널: CMS 팀이 13 TeV 의 고에너지에서 H → WW(힉스에서 W 입자로) 채널을 사용하여 이 특정 폭을 측정한 것은 이번이 처음입니다. 이전에는 다른 채널 (H → ZZ) 을 사용해야 했습니다.
• 일관성: 측정이 예측과 매우 잘 일치한다는 사실은 현재 그림자 속에 숨어 있는 "이상한" 새로운 물리가 없다는 것을 의미합니다. 힉스 보손은 표준 모형이 예측한 대로 정확히 행동하고 있습니다.

요약

CMS 팀은 유령의 무게를 재려는 탐정처럼 행동했습니다. 직접 무게를 잴 수 없으므로, 유령이 "정상" 상태와 "고에너지" 상태로 나타나는 빈도를 비교했습니다. 방대한 양의 데이터와 소음을 걸러내는 똑똑한 AI 를 사용하여 유령의 "폭"을 3.9 MeV로 계산했습니다. 이는 이론적 예측인 4.1 MeV와 거의 완벽하게 일치하여, 우주의 구성 요소에 대한 우리의 현재 이해가 여전히 강력하게 유지되고 있음을 확인시켜 주었습니다.

기술 요약

기술 요약: H →WW →eνµν 붕괴 채널을 이용한 힉스 보손 총 붕괴 폭 측정

문제 및 동기
힉스 보손의 총 붕괴 폭 ($\Gamma_H$) 은 표준 모형 (SM) 의 근본적인 매개변수이다. 질량이 125 GeV 인 표준 모형 힉스 보손에 대한 이론적 예측치는 4.1 MeV 이다. 그러나 이 값은 대형 강입자 충돌기 (LHC) 검출기의 불변 질량 해상도보다 훨씬 작아, 붕괴 폭의 직접 측정은 불가능하다. 따라서 $\Gamma_H$는 "온-쉘 (resonance 질량 근처)" 및 "오프-쉘 (고 불변 질량 영역)" 영역에서의 힉스 보손 생성률을 비교함으로써 간접적으로 제한되어야 한다.

이전 CMS 협력단은 $H \to ZZ$ 채널과 $H \to WW \to 2\ell 2\nu$ 채널 (7 및 8 TeV 데이터 사용) 에서 측정을 수행하여 제한을 두었지만 정밀도는 제한적이었다. 본 논문은 $\sqrt{s} = 13$ TeV 에서의 전체 Run 2 데이터셋 (2016–2018) 을 활용하여, 특히 $H \to WW \to e\nu\mu\nu$ 붕괴 채널을 대상으로 $\Gamma_H$를 더 정밀하게 결정할 필요성을 다루고 있다. 본 연구는 증가된 질량 중심 에너지, 더 높은 적분 광도, 그리고 정교화된 이론적 및 실험적 모델링을 활용하여 이 채널에서의 이전 CMS 제한치 ($\Gamma_H < 26$ MeV) 를 개선하는 것을 목표로 한다.

방법론
본 분석은 CMS 실험에서 수집된 138 fb$^{-1}$의 적분 광도에 해당하는 양성자 - 양성자 충돌 데이터를 활용한다. 이 측정은 총 붕괴 폭에 비례하는 오프-쉘 대 온-쉘 생성 단면적의 비율 ($\Gamma_H \propto \mu_{\text{off-shell}} / \mu_{\text{on-shell}}$) 에 의존한다.

• 사건 선택 및 재구성: Drell-Yan 배경을 억제하기 위해 반대 부호의 전자 - 뮤온 쌍 ($e\mu$) 을 요구하여 사건을 선택한다. 운동학적 요구 사항으로는 중성미자를 고려하기 위한 결손 횡방향 운동량 ($p^{\text{miss}}_T > 20$ GeV), 디렙톤 불변 질량 $m_{e\mu} > 20$ GeV, 그리고 재구성된 힉스 보손 횡방향 질량 $m^H_T > 60$ GeV 가 포함된다. 제트는 anti-$k_T$ 알고리즘을 사용하여 클러스터링되며, 탑 쿼크 배경을 줄이기 위해 $b$-태그된 제트가 있는 사건은 배제된다.
• 카테고리화: 글루온 - 글루온 융합 (ggF) 과 벡터 보손 융합 (VBF) 생성 모드를 구분하기 위해 제트 수 (0, 1, 및 $\ge 2$) 를 기준으로 사건을 카테고리화한다.
• 기계 학습 판별: 신호와 배경을 분리하기 위해 다중 클래스 딥 신경망 (DNN) 이 활용된다. DNN 은 0-제트 및 1-제트 카테고리에 대해 4 개 클래스 (오프-쉘 ggF, 온-쉘 ggF, 탑 쿼크, 비공명 WW) 로, 그리고 $\ge 2$-제트 카테고리에 대해 6 개 클래스 (오프-쉘/온-쉘 VBF 추가) 로 사건을 분류하도록 훈련된다. 입력 변수로는 디렙톤 시스템, 디제트 시스템, 결손 횡방향 운동량의 운동학적 특성과 WW 시스템의 대용량 불변 질량이 포함된다.
• 신호 및 배경 모델링:
  • 신호: 오프-쉘 기여는 $m_{WW} > 160$ GeV 의 생성자 수준 요구사항으로 정의된다. ggF 및 VBF에 대한 시뮬레이션은 POWHEG 와 JHUGEN(VBF 용) 또는 MCFM(ggF 용) 을 사용하며, 복잡한 극점 체계와 신호 및 연속 배경 간의 간섭 효과를 포함한다.
  • 배경: 주요 배경에는 비공명 WW 생성, 탑 쿼크 ($t\bar{t}$), 그리고 Drell-Yan 과정이 포함된다. 비공명 WW 와 $t\bar{t}$의 정규화는 데이터의 신호 영역 (SR) 과 제어 영역 (CR) 에서 동시에 제한된다. 비동기 렙톤 배경은 데이터 기반 "행렬 방법" 접근법을 사용하여 추정된다.
• 통계 분석: COMBINE 프레임워크를 사용하여 프로파일 가능도 적합이 수행된다. 가능도 함수는 오프-쉘 신호 영역과 온-쉘 제어 영역에 대한 DNN 출력 분포를 포함한다. 체계적 불확실성 (실험적 및 이론적) 은 가우스 제약이 적용된 nuisance 매개변수로 처리된다.

주요 기여

• $H \to WW$에서의 첫 번째 13 TeV 측정: 본 연구는 $\sqrt{s} = 13$ TeV 에서 $H \to WW \to e\nu\mu\nu$ 채널을 사용하여 힉스 보손 붕괴 폭을 측정하는 최초의 CMS 결과를 제시한다.
• 개선된 정밀도: 본 분석은 이 특정 붕괴 채널 (7 및 8 TeV 데이터에서 유래) 의 이전 CMS 결과 대비 불확실성을 3 배 개선하였다.
• 고급 모델링: 본 연구는 고질량 꼬리 영역에서 신호 강도를 정확하게 추출하는 데 필수적인 오프-쉘 힉스 신호와 연속 $WW$ 배경 간의 간섭에 대한 정교한 모델링을 구현하였다.
• DNN 기반 카테고리화: 딥 신경망의 적용은 다양한 제트 다중도에서 신호와 배경 간의 효율적인 판별을 가능하게 하여 ggF 및 VBF 생성 모드 모두에서 민감도를 최적화한다.

결과

• 오프-쉘 신호 강도: 오프-쉘 신호 강도는 $\mu_{\text{off-shell}} = 1.2^{+0.8}_{-0.7}$로 측정되었다. 이 값은 1 인 표준 모형 예측과 일치한다.
• 총 붕괴 폭: 힉스 보손 총 붕괴 폭은 $\Gamma_H = 3.9^{+2.7}_{-2.2}$ MeV 로 결정되었다.
• 표준 모형과의 일치: 측정된 폭은 4.1 MeV 인 표준 모형 예측과 일치한다.
• 배제 한계: 오프-쉘 힉스 보손 생성이 없는 시나리오는 3.4 표준 편차 (기대 배제 1.3 표준 편차) 에서 배제된다. 폭에 대한 95% 신뢰 수준 상한선은 $\Gamma_H < 22.00$ MeV 이다.
• 불확실성 분류: 비율 $r = \mu_{\text{off-shell}}/\mu_{\text{on-shell}}$의 총 불확실성은 통계적 불확실성 (56%) 이 지배적이며, 이어 이론적 불확실성 (27%) 이 따른다.

의의
본 논문은 이 결과가 힉스 보손 성질을 제한하는 데 있어 중요한 진전을 나타낸다고 주장한다. 이전의 $H \to ZZ$ 채널 측정을 보완함으로써, 본 분석은 $WW$채널을 사용하여$\Gamma_H$에 대한 견고하고 독립적인 제한을 제공한다. 이 결과는 불확실성 범위 내에서 표준 모형 예측을 확인하며, 이상한 결합이나 새로운 물리를 나타낼 수 있는 표준 모형과의 편차가 현재 측정 범위 내에서 제한됨을 보여준다. 이 채널에서 이전 제한치 대비 정밀도가 개선된 것은 전체 Run 2 데이터셋 활용과 딥러닝 및 정밀 간섭 모델링과 같은 고급 분석 기법의 효과성을 강조한다.