Search for electroweakinos in compressed-spectrum scenarios with low-momentum isolated tracks in proton-proton collisions at $\sqrt{s}$ = 13 TeV

13 TeV 양성자-양성자 충돌 데이터 138 fb$^{-1}$를 이용하여 CMS 협력은 저운동량 고립된 궤적과 누락된 횡방향 운동량을 통해 거의 질량 축퇴된 힉시노 유사 전약입자를 탐색하였으며, 유의미한 초과를 발견하지 못하여 0.28~1.15 GeV의 질량 차이 범위에서 185 GeV까지의 차지노 질량에 대해 엄격한 배제 한계를 설정하였다.

핵심

이 논문은 쉬운 언어와 일상적인 비유를 사용하여 설명합니다.

큰 그림: "유령 같은 쌍둥이"를 사냥하다

자, 당신이 매우 구체적인 유형의 범죄자를 찾는 형사라고 상상해 보세요. 이 범죄자는 지문도 남기지 않는 "유령"이지만, 아주 작고 거의 보이지 않는 발자국 하나는 남깁니다.

입자 물리학의 세계에서는 CERN(유럽 입자 물리 연구소) 의 과학자들이 **초대칭성 (SUSY)**의 증거를 찾고 있습니다. 초대칭성을 모든 알려진 입자에 더 무겁고 보이지 않는 쌍둥이가 존재하는 "그림자 세계"라고 생각하세요. 이러한 쌍둥이 중 한 가지 특정 유형을 히그시노라고 부릅니다.

문제점은 무엇일까요? 이 히그시노들은 매우 수줍음이 많습니다. 만약 존재한다면, 파트너와 질량이 너무 비슷해서 붕괴 (분해) 할 때 거의 움직이지 않을 수 있습니다. 이는 허리케인 속에서 속삭임을 찾는 것처럼 발견하기 매우 어렵습니다.

구체적인 미스터리: "압축된" 시나리오

이 논문은 **"압축된 스펙트럼 (compressed spectrum)"**이라고 불리는 까다로운 상황에 초점을 맞춥니다.

• 비유: 무거운 볼링공 (무거운 입자) 이 언덕을 굴러가는 상황을 상상해 보세요. 보통 부러질 때 테니스공 (새로운 입자) 을 매우 빠른 속도로 쏘아냅니다. 테니스공이 날아가는 것을 쉽게 볼 수 있습니다.
• 반전: 이 특정 시나리오에서는 볼링공과 테니스공의 무게가 거의 정확히 같습니다. 볼링공이 부러질 때 테니스공은 날아가지 않고, 거의 앞으로 굴러가기만 합니다. 너무 느리게 움직여서 (낮은 운동량을 가짐) 마치 그 자리에 떠 있는 것처럼 보입니다.

이러한 입자들은 매우 무겁고 매우 느리게 움직이기 때문에 검출기를 빠르게 떠나지 않습니다. 대신, 단일한 느린 파이온 (입자의 한 종류) 으로 변하기 전에 아주 짧은 거리 (약 1 센티미터까지) 를 이동합니다. 이는 검출기에 연결되지 않는 희미하고 짧은 선인 **"부드럽고 고립된 궤적"**을 만듭니다.

도전 과제: 건초더미 속의 바늘 찾기

과학자들은 방대한 데이터 더미 속에서 이러한 희미하고 느린 궤적을 찾고 있습니다.

• 건초더미: 대형 강입자 충돌기 (LHC) 는 수십억 번의 양성자 충돌을 일으킵니다. 이러한 충돌의 대부분은 입자들의 혼란스러운 덩어리 (배경 잡음) 를 생성합니다.
• 바늘: 그들이 원하는 신호는 충돌 중심에서 약간 떨어진 곳에 나타나는 단일한 느린 궤적이며, 이는 많은 "누락된 에너지"와 동반됩니다 (유령 같은 입자들이 보이지 않고 검출기를 탈출하기 때문입니다).

어려움은 배경 잡음이 엄청나게 크다는 점입니다. 검출기가 혼란을 겪거나 다른 일반적인 입자 상호작용으로 인해 많은 가짜 궤적이 발생합니다. 소음 속에서 진짜 "유령" 신호를 구별하는 것은 관중으로 가득 찬 경기장에서 특정 사람의 속삭임을 듣는 것과 같습니다.

해결책: 똑똑한 AI 형사

이를 해결하기 위해 CMS 팀은 "궤적이 이 정도 길이이면 카운트한다"와 같은 단순한 규칙만 사용하지 않았습니다. 대신 **신경망 (Neural Network)**이라는 인공지능의 한 유형을 구축했습니다.

• 작동 원리: 개가 특정 냄새를 찾도록 훈련시키는 상황을 상상해 보세요. 당신은 개에게 "유령" 냄새 (시뮬레이션된 신호) 의 수천 가지 예시와 "잡음" (배경) 의 수천 가지 예시를 보여줍니다.
• 훈련: AI 는 궤적에 대한 데이터를 입력받았습니다. 얼마나 빠르게 움직였는지, 정확히 어디서 시작했는지, 중심에서 얼마나 멀리 떠밀려 나갔는지 등을 학습했습니다. 이는 인간의 눈이나 단순한 수학으로는 놓칠 수 있는 미묘한 패턴을 찾아내는 법을 배웠습니다.
• 결과: AI 는 필터 역할을 하여 수백만 개의 궤적을 분류하고 "이것은 유령처럼 보인다"거나 "이것은 그냥 잡음이다"라고 말합니다.

수사: 그들이 무엇을 발견했는가?

팀은 2016 년에서 2018 년 사이에 기록된 138 조 개의 양성자 충돌 (138 fb⁻¹) 데이터를 분석했습니다. 그들은 AI 를 사용하여 특정 "느린 궤적" 서명을 검색했습니다.

판결:

• 유령 발견 불가: 모든 데이터를 살펴본 후, 그들은 이러한 히그시노 쌍둥이에 대한 증거를 전혀 발견하지 못했습니다. 그들이 본 사건의 수는 정상적인 배경 잡음에 대해 표준 모형 (현재 최고의 물리 이론) 이 예측한 것과 정확히 일치했습니다.
• 가능성 배제: 비록 그들이 입자를 발견하지는 못했지만, 중요한 것을 배웠습니다. 이제 그들은 95% 의 확신으로 다음과 같이 말할 수 있습니다. 만약 이러한 히그시노가 존재한다면, 질량 차이가 작을 경우 185 GeV (질량 단위) 만큼 가볍게는 존재할 수 없습니다.

결론: 창문을 닫다

이 탐색을 집의 특정 방에 있는 문을 닫는 것으로 생각하세요.

• 이 논문 이전에는 과학자들이 이러한 "압축된" 히그시노가 그 방에 숨어 있는지 알지 못했습니다.
• 이 논문 이후, 그들은 "우리는 그 방 구석구석을 살펴보았으며, 히그시노는 거기 있지 않다 (적어도 우리가 테스트한 질량과 속도로는)"라고 말할 수 있습니다.

이는 "자연스러운 초대칭성"에 엄격한 제한을 둡니다. 이론가들에게 이러한 입자가 존재한다면, 이 논문이 테스트한 특정 "압축된" 모델보다 더 무겁거나 다르게 행동해야 함을 알려줍니다. 탐색은 계속되지만, 이 특정 은신처는 철저히 점검되어 비어 있는 것으로 확인되었습니다.

기술 요약

다음은 $\sqrt{s} = 13$ TeV 의 양성자 - 양성자 충돌에서 저운동량 고립된 궤적을 이용한 압축 스펙트럼 시나리오의 전약성 입자 (electroweakinos) 탐색을 다룬 CMS 논문 CMS-SUS-24-012("Search for electroweakinos in compressed-spectrum scenarios with low-momentum isolated tracks in proton-proton collisions at $\sqrt{s} = 13$ TeV") 에 대한 상세한 기술 요약입니다.

1. 문제 제기 및 물리학적 동기

본 탐색은 압축 스펙트럼 초대칭 (SUSY), 특히 히그시노와 유사한 전약성 입자 (higgsino-like electroweakinos) 를 포함하는 시나리오를 대상으로 합니다. 이러한 모델에서 가장 가벼운 중성자 ($\tilde{\chi}^0_1$) 는 가장 가벼운 초대칭 입자 (LSP) 이며 암흑물질 후보입니다. 차등히 가벼운 초대칭 입자들 (NLSPs)—즉, 가장 가벼운 전하 입자 (chargino, $\tilde{\chi}^\pm_1$) 와 두 번째 중성자 ($\tilde{\chi}^0_2$)—는 LSP 와 거의 질량 축퇴 (mass-degenerate) 상태에 있습니다.

• 도전 과제: 질량 차이 ($\Delta m^\pm = m(\tilde{\chi}^\pm_1) - m(\tilde{\chi}^0_1)$) 가 작을 때 (특히 0.3–1 GeV), $\tilde{\chi}^\pm_1 \to \tilde{\chi}^0_1 \pi^\pm$ 붕괴는 매우 낮은 운동량 (soft) 의 파이온을 생성합니다.
• 검출의 어려움:
  • $\Delta m^\pm \lesssim 0.3$ GeV 인 경우, 전하 입자는 "소멸 궤적 (disappearing track)" 신호를 생성할 만큼 수명이 깁니다.
  • $\Delta m^\pm \gtrsim 1$ GeV 인 경우, 파이온은 표준 궤적으로 쉽게 재구성될 만큼 에너지가 충분합니다.
  • "간극 (Gap)": 중간 범위 (0.3–1 GeV) 에서 파이온의 횡방향 운동량 ($p_T$) 은 일반적으로 1 GeV 미만이며, 주된 정점 (PV) 으로부터 최대 약 1 cm 까지 변위가 발생합니다. 이러한 궤적들은 표준 재구성 임계값으로 인해 종종 손실되거나, 더미 (pileup) 와 배경 사건 (underlying events) 에서 기인한 배경과 혼동됩니다.

2. 방법론

데이터 및 선택

• 데이터셋: CMS 검출기 (2016–2018) 가 수집한 $\sqrt{s} = 13$ TeV 의 138 fb$^{-1}$ 양성자 - 양성자 충돌 데이터.
• 트리거: 누락된 횡방향 운동량 ($p_T^{miss}$) 임계값이 $>120$ GeV 인 사건이 선택됩니다.
• 오프라인 선택:
  • $p_T^{miss} > 300$ GeV 및 $H_T^{miss} > 300$ GeV (제트 $p_T$ 의 스칼라 합).
  • $p_T < 20$ GeV 및 $|\eta| < 2.4$인 고립된 궤적 (isolated track) 적어도 하나.
  • 고립된 전자, 뮤온, 광자, 강입자성 $\tau$ 렙톤에 대한 거부 (Veto).
  • $b$-태그된 제트 및 제트 수가 $\ge 5$인 사건에 대한 거부.
  • QCD 다중 제트 배경을 거부하기 위해 $p_T^{miss}$와 제트 간의 각도 분리 ($\Delta\phi$) 에 대한 요구 사항.

배경 추정

주요 배경은 다음과 같습니다:

1. $Z \to \nu\nu$ + 제트: 중성미자에서 기인한 실제 $p_T^{miss}$.
2. $W \to \ell\nu$: 렙톤이 손실되거나 식별에 실패한 경우.
3. QCD 다중 제트: 오측정된 $p_T^{miss}$ 및 가짜 궤적.
4. 2 차 궤적: 더미, 배경 사건, 또는 주된 정점에서 생성된 입자의 붕괴에서 기인한 궤적 (PV 관련).

배경 수율은 데이터 기반 방법으로 보정된 시뮬레이션을 사용하여 추정됩니다:

• 정규화: $Z \to \mu\mu$ 사건 ( $Z \to \nu\nu$ 용) 과 포괄적인 궤적 $z$-변위 ($d_z$) 분포 (PV 관련 및 가짜 궤적 용) 를 사용하여 제어 영역 (CR) 에서 도출된 스케일링 인자.
• 정교화: Fast Perfekt 방법론에 기반한 다변량 회귀 분석을 사용하여 궤적 운동량 및 충격 파라미터의 시뮬레이션 오모델링을 보정하여, 제어 영역에서 시뮬레이션된 분포가 데이터와 일치하도록 합니다.

머신러닝 전략

신호 궤적을 배경과 구별하는 분석의 핵심은 파라미터화된 피드포워드 신경망 (NN) 입니다.

• 아키텍처: LeakyReLU 활성화 함수를 사용하는 256 개의 유닛을 가진 세 개의 은닉층.
• 입력: 궤적 운동량 ($p_T$, $\eta$), 헬릭스 피트 품질, 주된 정점 및 더미 정점에 대한 충격 파라미터 중요도 ($IP_{xy}$), 사건 수준의 $p_T^{miss}$를 포함한 37 개의 관측치.
• 파라미터화: 신호 위상 공간 전반에 걸친 상관관계를 포착하기 위해 입력 질량 차이 ($\Delta m^\pm_{in}$) 를 0.3, 0.6, 1.0 GeV 의 매개변수로 사용하여 네트워크를 훈련합니다.
• 출력: NN 은 궤적을 신호, $\tau$-붕괴 궤적, 기타 2 차 궤적, 즉각적인 PV 궤적, 가짜 궤적의 다섯 가지 범주로 분류합니다.
• 신호 영역 (SRs): 사건은 신호 클래스에 대한 NN 점수 ($\tilde{P}$) 를 기반으로 분류됩니다. 입력 $\Delta m^\pm_{in}$ 값에 해당하는 세 가지 별도의 SR 이 정의되며, 각각 점수에 따라 더 세분화되어 민감도를 극대화합니다.

3. 주요 기여

1. 새로운 탐색 채널: 전용 NN 접근법을 사용하여 0.3–1 GeV 질량 차이 영역을 표적으로 하는 최초의 탐색 중 하나입니다. 이전 탐색들은 소멸 궤적 ($\Delta m < 0.3$ GeV) 또는 소프트 렙톤 ($\Delta m > 1$ GeV) 에만 초점을 맞추었습니다.
2. 고급 배경 모델링: 파라미터화된 NN을 사용하면 다양한 질량 차이에 걸쳐 신호와 배경을 통합적으로 처리할 수 있어, 전통적인 컷 기반 분석에 비해 민감도가 크게 향상됩니다.
3. 데이터 기반 정교화: Fast Perfekt 회귀 기법을 구현하여 소프트 궤적 특성 (충격 파라미터 및 $p_T$) 의 시뮬레이션 오모델링을 보정함으로써, 재구성 비효율성이 지배적인 영역에서 견고한 배경 추정을 보장합니다.

4. 결과

• 관측: 12 개 신호 영역 중 어느 곳에서도 표준 모델 기대치보다 유의미한 사건 초과가 관측되지 않았습니다. 데이터는 배경-only 가설과 일치합니다.
• 배제 한계 (95% 신뢰수준):
  • 질량 차이: 히그시노 모델은 0.28–1.15 GeV 범위의 질량 차이에 대해 배제됩니다.
  • 전하 입자 질량:
    • 질량 차이가 0.55 GeV인 경우, 전하 입자 질량이 185 GeV까지 배제됩니다.
    • 전하 입자 질량이 100 GeV인 경우, 0.28–1.15 GeV 범위의 질량 차이가 배제됩니다.
• 비교: 이러한 한계는 특정 압축 스펙트럼 영역에 대해 현재까지 가장 엄격한 것으로, 자연스러운 히그시노 암흑물질 탐색에서 중요한 간극을 효과적으로 메웠습니다.

5. 의의

본 분석은 자연스러운 초대칭 탐색에서 중요한 "맹점"을 해결합니다. 자연성 논리에 따르면, 히그시노는 미세 조정 (fine-tuning) 을 피하기 위해 가볍게 (전약 규모, $\sim 100$ GeV 근처) 있어야 합니다. 그러나 질량 차이가 작으면 결과적으로 생성되는 소프트 파이온은 검출이 어렵습니다.

정교한 머신러닝 접근법을 사용하여 이러한 부드럽고 변위될 수 있는 궤적을 성공적으로 재구성하고 식별함으로써, 이 결과는 다음과 같은 의미를 가집니다:

• 자연스러운 SUSY 제약: 특정 운동량 영역에서 이전 한계보다 전하 입자 질량의 하한을 크게 높여 자연스러운 히그시노 시나리오의 매개변수 공간에 심각한 제약을 가합니다.
• 방법론 입증: 저운동량 신호를 탐지하기 위한 파라미터화된 신경망 및 고급 궤적 재구성 기법의 사용을 검증하여, 향후 고광도 LHC 런과 미래 충돌기에서 필수적인 전략임을 입증합니다.
• 암흑물질 함의: 히그시노 암흑물질의 유효 창을 좁혀, 히그시노가 존재한다면 185 GeV 보다 무거워야 하거나 (미세 조정 증가), 0.28–1.15 GeV 범위를 벗어난 질량 차이를 가져야 함을 시사합니다.