Light Dark Matter Discovery Potential and Model Selection at LDMX

기술 요약: LDMX에서의 경량 암흑 물질 발견 잠재력 및 모델 선택

문제 및 동기
가속기 기반 탐색은 직접 검출 노력과 상호 보완적으로, 가벼운 서브 GeV(sub-GeV) 암흑 물질(DM)을 탐지하기 위한 경쟁력 있는 경로를 제공한다. Light Dark Matter Experiment (LDMX)는 고강도 전자-핵 충돌에서 반동 전자의 에너지와 횡운동량을 측정하여, 암흑 광자($A'$) 생성 및 이후 암흑 물질 쌍으로의 보이지 않는 붕괴를 나타내는 결손 운동량 신호를 찾는 방식으로 이 영역을 조사하도록 설계되었다. LDMX는 운동 혼합 파라미터 $\epsilon$에 대한 제약을 수 차수(orders of magnitude) 개선하는 것을 목표로 하지만, 신호 영역에서의 예상 이벤트 수가 적기 때문에 표준 점근적 통계 근사법을 신뢰할 수 없으며, 이를 위해 엄격한 통계적 프레임워크가 필요하다. 이는 경쟁적인 암흑 섹터 가설들 사이에서 발견 잠재력, 파라미터 추론 능력, 그리고 모델 간 구별 능력을 평가하는 데 있어 매우 중요하다.

방법론
저자들은 LDMX를 위해 빈도주의(frequentist) 및 베이즈(Bayesian) 분석 모두에 적용 가능한 포괄적인 가능도 기반 통계 프레임워크를 개발하였다. 이 방법론의 핵심은 반동 전자 에너지($E_{e^-}$)와 횡운동량($|p_T|_{e^-}$)의 2차원 공간에 걸쳐 구축된 빈 도수 가능도(binned likelihood) 함수이다.

• 신호 및 배경 모델링: 신호 이벤트는 암흑 브렘스트랄룽(dark bremsstrahlung) 과정($e^- N \to e^- N A', A' \to \chi \chi^*$)을 위해 MadGraph5_aMCNLO를 사용하여 시뮬레이션된다. 배경(background)은 상관관계가 없는 에너지 및 횡운동량 분포를 가정하여 광핵 상호작용 및 브렘스트랄룽 광자를 기반으로 모델링된다. 신호와 배경 분포 모두는 검출기 분해능 효과를 반영하기 위해 스무딩(smearing) 처리된다.
• 통계적 프레임 much:
  • 빈도주의: 본 연구는 예상 배제 한계(90% C.L.), 발견 유의성($5\sigma$), 그리고 최대 가능도 파라미터 추정을 결정하기 위해 프로파일 가능도 비(profile likelihood ratios)를 채택한다. 낮은 빈의 카운트로 인해, 저자들은 점근적 근사(Wilks의 정리)를 거부하고, 테스트 통계량 분포를 도출하기 위해 전체 토이 몬테카를로(toy Monte Carlo) 의사 실험(pseudo-experiments)을 생성한다.
  • 베이즈: 이 프레임워크는 사후 분포와 베이즈 증거(Bayesian evidence)를 계산하기 위해 동적 중첩 샘플링(dynamic nested sampling, dynesty 활용)을 사용한다. 섭동 파라미터(신호 및 배경 정규화)는 로그 정규 사전 분포를 사용하여 주변화(marginalize)되며, 배경 불확실성 폭은 하이퍼파라미터로 취급된다.
• 모델 비교: 모델 선택 능력을 평가하기 위해, 저자들은 표준 운동 혼합(KM) 모델과 암흑 전자기 모멘트(DEM) 모델들(자기/전기 쌍극자(M, E), 전하 반경(C), 아나폴 모멘트(A))을 비교한다. 모델 구별 능력은 잔존 밀도(relic density)에 대한 사전 제약을 적용했을 때와 적용하지 않았을 때를 나누어 베이즈 인자($K$)를 통해 정량화된다.

주요 기여

1. 강건한 통계적 프레임워크: 본 논문은 체계적 불확실성을 포함하고 의사 실험을 사용하여 신뢰할 수 없는 점근적 근사를 피함으로써 LDMX에 특화된 가능도 프레임워크를 구축하였다. 이 프레임워크는 실제 LDMX 데이터에 직접 적용되도록 설계되었다.
2. 2차원 분석: 본 연구는 에너지 전용 분석보다 전체 2차원 반동 분포($E_{e^-}, |p_T|_{e^-}$)를 활용하는 것의 결정적인 중요성을 입증한다. 횡운동량 차원의 형상(shape) 정보는 구별 능력을 크게 향상시킨다.
3. 벤치마크 평가: 분석은 복잡한 스칼라 암흑 물질에 대한 열적 잔존 타겟을 따라 네 개의 벤치마크 지점을 평가하며, 특히 최근의 직접 검출 제약(예: DAMIC-M, PANDAX-4T)이 $R \gtrsim 3$을 제외함에 따라 여전히 유효한 질량비 $R \equiv m_{A'}/m_{DM} = 2.5$ 및 $2.2$에 초점을 맞춘다.

결과

• 배제 및 발견:
  • 신호가 없는 경우, LDMX는 질량 범위 $m_{A'} \in [10^{-3}, 0.2]$ GeV에 대해 $R \gtrsim 2.2$인 열적 잔존 타겟을 배제할 것으로 예상된다.
  • $R=2.5$ 타겟(벤치마크 1 및 3)의 경우, 낮은 배경($N_{BG}=1$)과 높은 배경($N_{BG}=100$) 시나리오 모두에서 강력한 예상 유의성($\gg 5\sigma$)을 보인다.
  • 더 까다로운 $R=2.2$ 타겟(벤치마크 2 및 4)의 경우, 낮은 배경 시나리오에서는 $5\sigma$에 약간 못 미치는 중간 유의성을 보이며, 높은 배경 시나리오에서는 유의성이 현저히 낮아져 $5\sigma$ 발견이 보장되지 않음을 나타낸다.
• 파라미터 추정:
  • $R=2.5$ 벤치마크에 대해, LDMX는 두 배경 시나리오 모두에서 운동 혼합 $\epsilon$과 매개체 질량 $m_{A'}$를 높은 정확도와 정밀도(상대 불확실성 $\sim 10\%$)로 회복할 수 있다.
  • $R=2.2$ 벤치마크의 경우, 적은 신호 수율과 포아송 변동으로 인해 파라미터 추론이 덜 신뢰할 수 있으며, 결과적으로 더 큰 분산과 때로는 정보가 없는 제약을 초래한다.
• 모델 구별:
  • 2차원 분석은 에너지 전용 분석에 비해 실질적으로 더 큰 구별 능력(약 10배 높은 $\ln K$)을 제공한다.
  • 동일한 스펙트럼 형상을 가진 모델들(M/E 및 C/A 쌍)은 서로 구별할 수 없지만, KM 모델은 DEM 모델들과 구별 가능하다.
  • 그러나 스펙트럼 형상은 같으나 정규화가 다른 모델들(예: KM vs C/A)은 베이즈 인자만으로는 통계적으로 구별할 수 없다. 결합 강도에 대한 잔존 밀도 사전 제약을 적용하면 이전에 구별할 수 없었던 가설들을 통계적으로 분리할 수 있다.
  • 본 연구는 모델 오지정(misspecification)이 베이즈 인자가 0에 가까울 때조차 파라미터 추정에 큰 편향을 일으킬 수 있음을 강조하며, 올바른 모델 식별의 필요성을 역설한다.

의의 및 주장
본 논문은 개발된 통계적 프레임워크가 가공되지 않은 이벤트 카운트를 견고한 물리적 결론으로 변환하는 데 필수적이라고 주장한다. 저자들은 LDMX Phase II가 복잡한 스칼라 암흑 물질에 대한 유효한 열적 잔존 파라미터 공간을 강력한 배제 및 발견 감도로 탐사할 뿐만 아니라, 만약 과잉(excess)이 관측될 경우 근저에 있는 암흑 섹터 상호작용을 특징지을 수 있을 것이라고 단언한다. 저자들은 자신들의 도구가 실제 LDMX 데이터에 직접 적용될 수 있도록 설계되었으며, 다른 결손 운동량 실험(예: Lohengrin, DarkSHINE)으로 확장되거나 더 넓은 경량 암흑 물질 실험 프로그램 전반에 걸친 결합 가능도 분석으로 확장될 수 있음을 강조한다. 이 작업은 신호 및 배경 분포의 정확한 모델링과 정규화 불확실성에 대한 철저한 이해가 미래의 LDMX 분석에 매우 중요하다는 점을 시사한다.