Search for long-lived charginos and $τ$-sleptons using final states with a disappearing track in $pp$ collisions at $\sqrt{s} = 13$ TeV with the ATLAS detector

ATLAS 검출기를 이용한 13 TeV 양성자 - 양성자 충돌 데이터 (137 fb⁻¹) 분석을 통해 소멸 궤적, 단일 제트 및 결손 횡방향 운동량을 포함하는 최종 상태를 탐색한 결과, 특정 수명 범위에서 장수명 차지노와 τ-슬렙톤의 존재에 대한 유의미한 초과가 관측되지 않았으며, 이에 따라 해당 입자들의 질량에 대한 95% 신뢰수준 하한이 설정되었습니다.

핵심

ATLAS 실험: "사라지는 발자국"을 찾아서

이 논문은 유럽 입자 물리 연구소 (CERN) 의 거대 강입자 충돌기 (LHC) 에서 ATLAS 검출기를 이용해 수행된 흥미진진한 탐정 수사와 같습니다. 과학자들은 **우주의 비밀을 숨기고 있는 '초대칭 입자 (SUSY)'**라는 가상의 친구들을 찾기 위해 노력했습니다.

이 연구의 핵심은 **"사라지는 발자국 (Disappearing Track)"**이라는 독특한 신호를 찾는 것입니다.

1. 배경: 왜 '사라지는' 입자를 찾는 걸까요?

우리가 아는 모든 물질 (전자, 양성자 등) 은 표준 모형이라는 규칙대로 움직입니다. 하지만 과학자들은 이 규칙만으로는 설명할 수 없는 것들이 있다고 믿습니다. 예를 들어, **암흑 물질 (Dark Matter)**은 우리가 볼 수 없지만 우주의 대부분을 차지하고 있습니다.

이 논문에서 과학자들은 암흑 물질의 후보로 초대칭 입자를 의심합니다. 특히, **차지노 (Chargino)**나 **타우 슬립톤 (Tau-slepton)**이라는 입자가 아주 짧은 시간 동안만 살아남다가 사라진다고 가정합니다.

비유:
imagine you are walking in a dark forest. Suddenly, you see a glowing firefly. It flies for a few meters, and then poof! It vanishes into thin air. You can't see where it went, but you know it was there because you saw its light for a brief moment.

이 실험에서 그 '불빛'이 **입자가 검출기 내부를 지나가는 짧은 궤적 (Track)**이고, 그 입자가 사라진 후 남기는 것은 **에너지의 공백 (Missing Energy)**입니다.

2. 탐정 도구: ATLAS 검출기와 '사라지는 발자국'

ATLAS 검출기는 거대한 양파처럼 여러 겹의 층으로 이루어져 있습니다. 입자가 이 층들을 통과할 때 흔적을 남깁니다.

• 일반적인 입자: 검출기의 모든 층을 뚫고 나가며 긴 발자국을 남깁니다.
• 우리가 찾는 입자 (초대칭 입자): 아주 짧은 시간만 살아남기 때문에, 검출기의 가장 안쪽 층 (픽셀 검출기) 에서만 34 개의 흔적을 남기고 사라집니다. 마치 **34 걸음만 걷고 사라지는 사람**처럼요.

이 짧은 흔적을 **"트랙렛 (Tracklet)"**이라고 부릅니다. 과학자들은 이 짧은 발자국과 함께, 입자가 사라진 후 남긴 **에너지의 빈 공간 (Missing Transverse Momentum)**을 찾아냅니다.

3. 새로운 기술: 더 짧은 흔적까지 찾아내기

이전 연구에서는 4 개의 층에서 흔적이 남는 경우만 찾았습니다. 하지만 이번 연구는 3 개의 층에서도 흔적을 찾을 수 있는 새로운 기술을 도입했습니다.

• 3 층 vs 4 층: 입자가 너무 빨리 사라지면 4 층까지 도달하지 못합니다. 마치 4 층 아파트에 사는 사람이 3 층에서 내려와 문을 닫고 사라지는 것과 같습니다. 이번 연구는 3 층에서도 발자국을 찾을 수 있는 새로운 알고리즘을 개발하여, 더 짧게 사는 입자까지 찾아낼 수 있게 되었습니다.
• 머신러닝 (AI) 의 역할: 사라진 입자가 남긴 아주 작은 파편 (저에너지 파이온) 을 찾기 위해 머신러닝을 사용했습니다. 이는 수백만 개의 나뭇잎 사이에서 특정 모양의 나뭇잎을 찾아내는 AI와 같습니다.

4. 수사 결과: 아무것도 찾지 못했지만, 중요한 것을 발견했습니다

과학자들은 2015~2018 년에 기록된 방대한 양의 데이터 (137 fb⁻¹) 를 분석했습니다.

• 결과: 예상했던 대로, 새로운 입자의 흔적은 발견되지 않았습니다. 데이터는 우리가 알고 있는 기존 물리 법칙 (표준 모형) 과 완벽하게 일치했습니다.
• 의미: "찾지 못했다"는 것이 실패가 아닙니다. 이는 **"우리가 의심했던 가상의 입자들은 이 질량 범위에서는 존재하지 않는다"**는 것을 증명하는 것입니다.

과학자들은 다음과 같은 결론을 내렸습니다:

• 차지노 (Chargino): 질량이 225 GeV ~ 880 GeV 사이인 입자는 존재하지 않습니다. (기존 연구보다 더 넓은 범위를 배제했습니다.)
• 타우 슬립톤 (Tau-slepton): 질량이 300 GeV ~ 320 GeV 사이인 입자는 존재하지 않습니다.

비유:
마치 "이 숲속에는 100kg 이상인 곰이 없다"고 증명하는 것과 같습니다. 비록 곰을 보지는 못했지만, "곰이 이 크기라면 반드시 있어야 한다"는 가설을 깨뜨린 것입니다. 이제 우리는 곰이 더 작거나, 더 크거나, 혹은 아예 다른 곳에 있을 것이라고 추측할 수 있게 됩니다.

5. 왜 이 연구가 중요한가요?

이 연구는 우주에 대한 우리의 이해를 한 단계 더 넓혔습니다.

1. 기술의 발전: 아주 짧은 시간 동안만 살아남는 입자를 찾아내는 기술을 획기적으로 개선했습니다. 이는 미래의 더 강력한 충돌기에서도 유용할 것입니다.
2. 암흑 물질의 실마리: 초대칭 입자가 암흑 물질의 후보라는 가설에 대해, 특정 질량 범위에서는 그 가능성이 낮아졌음을 보여줍니다. 이제 과학자들은 다른 질량 범위나 다른 이론을 찾아야 합니다.
3. 지식의 확장: "무엇이 존재하지 않는지" 아는 것도 과학에서 매우 중요합니다. 이는 우리가 우주의 지도를 그릴 때, "여기는 길이 없다"는 표시를 하는 것과 같습니다.

요약

이 논문은 CERN 의 ATLAS 실험팀이 3~4 걸음만 걷고 사라지는 가상의 입자를 찾기 위해 최신 기술과 AI를 동원해 137fb⁻¹의 데이터를 분석한 보고서입니다. 비록 새로운 입자는 발견되지 않았지만, 우리가 의심했던 입자들이 이 범위에는 없다는 것을 증명함으로써, 우주의 비밀을 풀기 위한 여정을 한 걸음 더 진전시켰습니다.

마치 미스터리 소설에서 범인을 잡지는 못했지만, "범인이 이 지역에 살지 않는다"는 것을 밝혀낸 것과 같습니다. 이제 우리는 범인을 찾아야 할 새로운 지역을 설정할 수 있게 된 것입니다!

기술 요약

1. 연구 배경 및 문제 (Problem)

• 초대칭성 (SUSY) 과 암흑물질: 초대칭 이론은 표준 모형 (SM) 입자마다 파트너 입자를 예측합니다. 특히, R-패리티 보존 모델에서 가장 가벼운 초대칭 입자 (LSP) 는 암흑물질 후보입니다.
• 장수명 입자의 특징: 일부 SUSY 시나리오 (예: Wino-like 또는 Higgsino-like chargino, GMSB/CMSSM 기반 𝜏-slepton) 에서 전하를 띤 초대칭 입자는 중성 LSP 와 질량 차이가 매우 작아 (수백 MeV 수준) 수명이 길어집니다.
• 소멸하는 궤적 (Disappearing Track): 이러한 장수명 전하 입자는 검출기 내부 (특히 픽셀 검출기) 를 통과하다가 약한 상호작용을 통해 중성 입자 (LSP) 와 파이온 (또는 타우) 으로 붕괴합니다.
  • LSP 는 검출기를 통과하지 못하므로 **결손 횡방향 운동량 ($E^{miss}_T$)**을 생성합니다.
  • 붕괴된 파이온은 운동량이 매우 낮아 기존 알고리즘으로 재구성되지 않거나, 입자가 검출기 내부에서 멈추기 때문에 **짧은 궤적 (tracklet)**만 남깁니다.
  • 이로 인해 입자가 검출기 내부에서 갑자기 사라지는 것처럼 보이는 '소멸하는 궤적' 신호가 발생합니다.
• 기존 한계: 이전 ATLAS 분석 (Run 2 초기) 은 주로 4 개 이상의 픽셀 층을 가진 궤적에 집중했습니다. 이는 매우 짧은 수명 (예: Higgsino 시나리오의 ~0.03 ns) 을 가진 입자를 탐지하는 데 민감도가 부족했습니다.

2. 방법론 (Methodology)

이 연구는 이전 분석을 개선하여 더 짧은 수명의 입자를 탐지하기 위해 다음과 같은 기술적 발전을 적용했습니다.

• 데이터 및 시뮬레이션:

  • LHC Run 2 (2015-2018) 기간 동안 수집된 137 fb⁻¹ 데이터 사용.
  • 신호 시뮬레이션: MadGraph5_aMC@NLO 및 Pythia 를 사용하여 Wino, Higgsino chargino 및 CMSSM/GMSB 기반 𝜏-slepton 생성.
  • 배경 시뮬레이션: Sherpa 등을 사용하여 $V$+jets 과정 모델링.

• 이벤트 재구성 및 선택 전략:

  • 3 층 및 4 층 트랙렛 (Tracklet) 재구성: 기존 4 층 픽셀 히트뿐만 아니라 3 개의 픽셀 히트만으로도 궤적을 재구성하는 전용 알고리즘을 도입하여 매우 짧은 수명 (짧은 이동 거리) 을 가진 입자를 포착했습니다.
  • 저에너지 파이온 재구성: 차지노 붕괴 시 생성되는 매우 낮은 운동량 (250-350 MeV) 의 파이온을 식별하기 위해 부스팅 의사결정나무 (BDT) 머신러닝 알고리즘을 사용했습니다. 이는 '소프트 트랙 (soft track)'으로 불리는 저에너지 궤적을 식별하는 데 활용되었습니다.
  • 신호 영역 (Signal Regions, SRs): 4 개의 직교하는 신호 영역을 정의했습니다.
    • SR4High/SR4Mid: 4 층 픽셀 히트를 가진 트랙렛 (긴 수명 민감도).
    • SR3High1𝜋: 3 층 픽셀 히트 + 저에너지 파이온 재구성 (짧은 수명 민감도).
    • SR3High0𝜋: 3 층 픽셀 히트 + 파이온 배제 (배경 억제).
  • 선택 조건: 0 개의 렙톤, 1 개 이상의 제트 (ISR 제트, $p_T > 100$ GeV), 큰 결손 횡방향 운동량 ($E^{miss}_T$), 그리고 소멸하는 트랙렛 존재.

• 배경 추정 (Data-driven Methods):

  • 모든 배경 (가짜 트랙렛, 전자/뮤온/하드론의 오인식) 을 데이터 기반 방법으로 추정했습니다.
  • 템플릿 영역 (TRs) 과 전이 인자 (TFs): 배경의 $p_T$ 분포 템플릿을 데이터에서 추출하고, 제어 영역 (CRs) 을 사용하여 신호 영역으로의 외삽을 보정했습니다.
  • 가짜 트랙렛 (Fake Tracklets): 픽셀 층에서의 우연한 히트 조합이나 비정상적인 궤적 곡률로 인한 오인식을 주요 배경으로 간주하고 이를 정량화했습니다.

3. 주요 기여 (Key Contributions)

1. 3 층 픽셀 트랙렛 재구성 도입: 4 층이 아닌 3 개의 픽셀 히트만으로 궤적을 재구성하는 알고리즘을 적용하여, 검출기 내 이동 거리가 매우 짧은 (수 mm ~ 수 cm) 입자에 대한 민감도를 크게 향상시켰습니다.
2. 저에너지 파이온 식별 (ML 활용): 차지노 붕괴 시 생성되는 매우 낮은 운동량의 파이온을 식별하기 위해 BDT 기반의 머신러닝 알고리즘을 도입하여, Higgsino 시나리오와 같은 미세한 질량 차이 모델의 탐색 능력을 개선했습니다.
3. 배경 억제 기술: 트랙렛이 칼로리미터에서 에너지 침적을 남기지 않아야 한다는 조건을 강화하여, 주요 배경인 가짜 트랙렛과 하드론 상호작용을 효과적으로 억제했습니다.
4. 포괄적인 시나리오 탐색: Wino, Higgsino chargino뿐만 아니라 CMSSM 및 GMSB 모델 기반의 𝜏-slepton 에 대한 탐색을 통합적으로 수행했습니다.

4. 결과 (Results)

• 데이터 관측: 4 개의 신호 영역 모두에서 표준 모형 배경 예측과 일치하는 데이터가 관측되었습니다. 유의미한 초과 (excess) 는 발견되지 않았습니다 (가장 큰 편차는 SR4High 에서 1.9$\sigma$).

• 배제 한계 (Exclusion Limits, 95% CL): 관측된 데이터와 기대값을 기반으로 다음과 같은 질량 배제 한계를 설정했습니다.

  • Wino-like Chargino:
    • 수명 $\sim 1$ ns: 질량 880 GeV (기대값 1020 GeV) 까지 배제.
    • 수명 $\sim 0.2$ ns: 질량 460 GeV 까지 배제 (이전 결과와 비교).
  • Higgsino-like Chargino:
    • 수명 < 0.03 ns (매우 짧은 수명): 질량 225 GeV (기대값 250 GeV) 까지 배제. 이는 해당 영역에서 현재까지 가장 강력한 배제 한계입니다.
    • 수명 $\sim 1$ ns: 질량 720 GeV (기대값 840 GeV) 까지 배제.
  • 𝜏-slepton (CMSSM 및 GMSB 시나리오):
    • 수명 $\sim 1$ ns: 질량 320 GeV (CMSSM, 기대값 390 GeV) 및 300 GeV (GMSB, 기대값 380 GeV) 까지 배제.

• 이전 분석 대비 개선: 3 층 트랙렛 재구성과 파이온 식별 알고리즘의 도입으로 인해, 특히 짧은 수명 영역에서 질량 탐색 한계가 약 100 GeV 정도 향상되었습니다.

5. 의의 및 중요성 (Significance)

• 짧은 수명 영역의 개척: 이 연구는 매우 짧은 수명 (0.01~0.1 ns) 을 가진 초대칭 입자를 탐색할 수 있는 새로운 민감도 영역을 열었습니다. 이는 Higgsino 암흑물질 모델과 같은 '자연스러운 (Natural)' SUSY 시나리오를 검증하는 데 중요합니다.
• 검출기 성능 극대화: ATLAS 픽셀 검출기의 3 층 히트만으로도 유효한 궤적을 재구성할 수 있음을 입증하여, 검출기 데이터 활용의 한계를 확장했습니다.
• 미래 물리학에 대한 시사: 발견되지 않았다는 결과 자체도 중요하며, 이는 초대칭 입자의 질량과 수명에 대한 이론적 모델을 강력하게 제한합니다. 특히 Higgsino 질량이 250 GeV 미만인 매우 좁은 영역을 배제한 것은 향후 HL-LHC(고광도 LHC) 및 차세대 충돌기 실험의 방향성을 제시합니다.
• 다양한 BSM 모델 적용: 소멸하는 궤적 신호는 초대칭뿐만 아니라 다양한 암흑물질 모델 (예: SU(2) 다중항을 가진 암흑물질) 에도 적용 가능하므로, 이 분석 기법은 표준 모형을 넘어선 새로운 물리 현상 탐색의 표준 도구로 자리 잡았습니다.

요약하자면, 이 논문은 ATLAS 검출기의 정교한 추적 기술과 머신러닝을 결합하여, 기존에는 탐지하기 어려웠던 매우 짧은 수명의 장수명 초대칭 입자에 대한 탐색을 성공적으로 수행하고, 해당 영역에서 가장 엄격한 배제 한계를 설정했다는 점에서 중요한 성과입니다.