Search for Beyond the Standard Model physics with anomaly detection in multilepton final states in $pp$ collisions at $\sqrt{s}=13$ TeV with the ATLAS detector

Deze ATLAS-paper presenteert een model-onafhankelijke zoektocht naar nieuwe fysica in proton-protonbotsingen bij 13 TeV met behulp van ongecontroleerd machine learning op multilepton-gebeurtenissen, waarbij geen significante afwijkingen van het Standaardmodel werden gevonden en voor het eerst grenzen werden gesteld aan een smaakrijk vector-achtig leptonmodel.

De kern

De Grote Naald in de Hooiberg: Hoe ATLAS Nieuwe Deeltjes Zoekt met een "Slimme Camera"

Stel je voor dat je een gigantische hooiberg hebt, vol met gewoon hooi. Dit hooi vertegenwoordigt de duizenden deeltjesbotsingen die elke seconde plaatsvinden in de Large Hadron Collider (LHC) bij CERN. We weten vrijwel alles over dit "gewone hooi"; het is het Standaardmodel van de natuurkunde. Maar natuurkundigen vermoeden dat er ergens in die hooiberg ook een gouden naald verstopt zit: een nieuw, onbekend deeltje dat de mysteries van het universum (zoals donkere materie) kan verklaren.

Deze paper van de ATLAS-collaboratie vertelt over een nieuwe, slimme manier om die gouden naald te zoeken.

1. De Oude Manier vs. De Nieuwe Manier

Vroeger was de zoektocht als volgt: Je dacht, "De gouden naald is waarschijnlijk rood en heeft een punt." Dus je zocht alleen naar rode, puntige dingen. Als de naald blauw was of rond, zag je hem niet. Dit heet een model-afhankelijke zoektocht.

ATLAS probeert nu iets anders: Model-onafhankelijk zoeken. Ze zeggen: "We weten niet hoe de naald eruitziet. Misschien is hij rood, misschien blauw, misschien is hij zelfs een vork. We zoeken naar elk object dat eruitziet als 'niet-hooi'."

2. De "Slimme Camera" (Anomalie Detectie)

Om dit te doen, gebruiken ze een kunstmatige intelligentie (AI) die werkt als een slimme camera of een detective.

• De Training: De AI krijgt eerst miljoenen foto's van het "gewone hooi" (de bekende deeltjesprocessen) te zien. Ze leert precies hoe het normale hooi eruitziet, hoe het ruikt en hoe het voelt. Ze bouwt een perfect beeld van de "normaalheid".
• De Zoektocht: Vervolgens kijkt de AI naar de nieuwe botsingen. Ze zegt: "Oké, dit hier is gewoon hooi. En dit ook. Maar... wacht even. Dit stukje hier? Dit voelt raar aan. Het past niet in het patroon van het normale hooi."
• De "Uitbijter": In de taal van de natuurkunde noemen ze dit een anomalie of een uitbijter. Het is een gebeurtenis die statistisch gezien bijna onmogelijk is volgens onze huidige theorieën. Als de AI een dergelijke gebeurtenis vindt, is het een potentieel bewijs voor nieuwe natuurkunde.

3. De Speciale "Vier-Handen" Partij

Deze zoektocht focust op een heel specifiek soort "hooiberg": gebeurtenissen met vier of meer lichte deeltjes (elektronen of muonen).

• Waarom? In de natuurkunde zijn gebeurtenissen met zoveel deeltjes tegelijkertijd heel zeldzaam. Het is alsof je in een drukke stad een groepje van vier mensen ziet die allemaal precies hetzelfde rare dansje doen. Dat gebeurt bijna nooit per ongeluk. Als je het ziet, is de kans groot dat er iets speciaals aan de hand is.

4. Wat Vonden Ze?

De onderzoekers keken naar een enorme hoeveelheid data (140 "fb-1", wat neerkomt op een gigantische stapel gegevens uit de jaren 2015-2018).

• Het Resultaat: De "slimme camera" zag geen enkele gouden naald. Alle vreemde dingen die ze zagen, bleken toch gewoon een rare combinatie van normaal hooi te zijn. Er was geen enkel bewijs voor nieuwe deeltjes.
• De Belangrijke Nuance: Het feit dat ze niets vonden, is ook een groot succes. Het betekent dat de "gouden naald" (als hij bestaat) niet in de hoekjes zit waar we nu keken.

5. De "Nieuwe Kaart" voor de Toekomst

Omdat ze niets vonden, hebben ze een heel belangrijk cadeau voor de toekomst gemaakt: Grenzen.
Stel je voor dat je een kaart tekent van een eiland en zegt: "Hier, in dit gebied, is geen goud. En hier ook niet."

• Ze hebben voor het eerst grenzen gezet voor een heel nieuw type theorie (genaamd "flavorful vector-like leptons").
• Ze hebben ook laten zien dat hun nieuwe AI-methode net zo goed werkt als de oude, specifieke zoekmethodes.

Conclusie

Kortom: ATLAS heeft een nieuwe, slimme zoekmachine gebouwd die niet kijkt naar wat we verwachten, maar naar wat we niet verwachten. Ze hebben de hele hooiberg afgezocht met deze camera. Hoewel ze de gouden naald nog niet hebben gevonden, hebben ze wel bewezen dat hun nieuwe methode werkt en hebben ze de zoektocht voor de toekomst een stuk scherper gemaakt. Ze hebben de "verkeerde" plekken uitgesloten, zodat de volgende generatie natuurkundigen weet waar ze niet hoeven te zoeken, en zich kan richten op de plekken waar de naald misschien wel zit.

Technische samenvatting

Titel: Zoeken naar BSM-fysica met anomaliedetectie in multilepton-eindtoestanden bij de ATLAS-detector

1. Het Probleem en de Context
Het Standaardmodel (SM) van de deeltjesfysica is uiterst succesvol, maar laat fundamentele vragen onbeantwoord, zoals de oorsprong van neutrino-massa's, de aard van donkere materie en de hierarchie-problemen. Traditionele zoektochten naar "Beyond the Standard Model" (BSM) fysica zijn vaak modelafhankelijk: ze zoeken naar specifieke voorspelde signalen van een bepaald theorie. Het nadeel hiervan is dat ze signalen van onbekende of niet-geanticipeerde BSM-scenario's kunnen missen.

De uitdaging is om een model-agnostische (model-onafhankelijke) zoektocht te performeren die breed genoeg is om een scala aan mogelijke nieuwe fenomenen te vangen, zonder voorafgaande aannames over de aard van het nieuwe deeltje. Multilepton-eindtoestanden (4 of meer elektronen of muonen) zijn hierbij ideaal omdat ze een zeer lage achtergrond van het Standaardmodel hebben, waardoor ze gevoelig zijn voor zeldzame nieuwe processen.

2. Methodologie
De analyse gebruikt de volledige dataset van proton-proton botsingen verzameld door de ATLAS-detector tijdens Run 2 van de LHC (2015–2018), met een geïntegreerde lichtsterkte van 140 fb⁻¹ bij een botsingsenergie van √s = 13 TeV.

• Selectie van gebeurtenissen: Er wordt gezocht naar gebeurtenissen met minimaal vier lichte leptonen (elektronen of muonen). De dataset wordt onderverdeeld in drie orthogonale kanalen:
  • $4\ell$ met totale lading $Q=0$.
  • $4\ell$ met totale lading $Q=\pm2$.
  • $\geq 5\ell$ (vijf of meer leptonen).
• Anomaliedetectie (AD): In plaats van te zoeken naar specifieke pieken in invariantmassa's, maakt de analyse gebruik van ongesuperviseerde machine learning, specifiek Normalizing Flows (RealNVP).
  • Het model wordt getraind op gesimuleerde SM-achtergrondgebeurtenissen om de waarschijnlijkheidsdichtheid $p(x)$ van de data te leren.
  • Een anomalie-score wordt berekend op basis van de log-waarschijnlijkheid. Gebeurtenissen die afwijken van de SM-verdeling (outliers) krijgen een hoge score.
  • De invoervariabelen omvatten kinematische grootheden zoals $H_T$ (som van transverse impulsen), $E_T^{miss}$ (ontbrekende transverse energie), het aantal jets, en invariantmassa's van leptonparen.
• Zoekstrategieën:
  1. Model-onafhankelijk: De data wordt opgesplitst in "discovery regions" gebaseerd op topologie (bijv. aantal $Z$-boson-kandidaten, aantal $b$-jets). Binnen deze regio's worden bins gedefinieerd op basis van de anomalie-score (bijv. boven de 90%, 99% of 99.9% achtergrond-rejectie). Er wordt gezocht naar een excess van data boven de achtergrondverwachting in deze bins.
  2. Model-afhankelijk: Dezelfde AD-score wordt gebruikt om de gevoeligheid te testen voor specifieke benchmark-modellen (Vector-Like Leptonen, Supersymmetrie). Hier wordt een gelijktijdige fit uitgevoerd over alle regio's om de parameters van deze modellen te beperken.
• Achtergrondschatting: De achtergrond wordt voornamelijk geschat via Monte Carlo-simulaties (voor processen zoals $ZZ$, $t\bar{t}Z$, $VVV$), maar wordt genormaliseerd aan de data in specifieke Control Regions (CRs). Deze CRs zijn verrijkt met specifieke achtergronden (zoals $WZ$, foton-conversies, of niet-prompt leptonen uit hadronverval) om de normalisatiefactoren in de likelihood-fit te bepalen.

3. Belangrijkste Bijdragen

• Eerste AD-zoektocht in multileptonen: Dit is de eerste keer dat een volledig ongesuperviseerde anomaliedetectie-methode wordt toegepast op eindtoestanden met meerdere leptonen bij ATLAS. Eerdere AD-zoektochten waren voornamelijk gericht op jet-dominante kanalen.
• Model-agnostische limieten: Het papier stelt limieten op het zichtbare doorsnede ($\sigma_{vis}$) voor elke zoekregio zonder een specifiek BSM-model aan te nemen. Dit maakt herinterpretatie voor toekomstige theorieën mogelijk.
• Nieuwe benchmark-modellen: Voor het eerst worden limieten gesteld op het "flavourful Vector-Like Lepton" (VLL) model. Dit model omvat VLL's die koppelen aan generaties van leptonen via een nieuw scalaar deeltje, wat leidt tot verrijkte leptonmultipliciteit en lepton-flavor violation.
• Geavanceerde statistiek: De analyse combineert een complexe likelihood-fit met machine learning, waarbij de AD-score wordt gebruikt als een discriminerende variabele in plaats van traditionele cut-based analyses.

4. Resultaten

• Geen significant excess: Er werd geen significant afwijking gevonden van de voorspellingen van het Standaardmodel in geen van de onderzochte regio's (zowel model-onafhankelijk als model-afhankelijk). De grootste lokale afwijking was $2\sigma$ in specifieke regio's, maar de globale significantie (correctie voor het "look-elsewhere effect") bedroeg slechts $0.90\sigma$.
• Model-onafhankelijke limieten: Er zijn limieten gesteld op de zichtbare doorsnede voor alle 16 discovery signal bins. De verwachte en waargenomen limieten zijn consistent met de achtergrondverwachting.
• Model-afhankelijke limieten:
  • Vector-Like Leptonen (VLL):
    • $SU(2)$ Singlet VLL ($e$ en $\mu$): Uitgesloten tot massa's van respectievelijk ~290 GeV en ~320 GeV.
    • $SU(2)$ Doublet VLL ($e$ en $\mu$): Uitgesloten tot massa's van respectievelijk ~925 GeV en ~850 GeV.
    • Flavourful VLL: Voor het eerst worden limieten gesteld. Flavourful VLL ($e$) is uitgesloten tot 1300 GeV en VLL ($\mu$) tot 1280 GeV (voor een scalaar deeltje $S$ met massa tussen 200-1600 GeV).
  • Supersymmetrie (SUSY):
    • Wino-achtige chargino's en neutralino's: Uitgesloten tot massa's van 1600 GeV.
    • Smuonen: Uitgesloten tot massa's van 495 GeV (voor een massaverschil $\Delta m > 140$ GeV).

5. Betekenis en Conclusie
De analyse bevestigt dat de data consistent is met het Standaardmodel, maar het bewijst vooral de kracht en generaliteit van anomaliedetectie in de deeltjesfysica.

• De methode is in staat om gevoelig te zijn voor een breed scala aan BSM-scenario's, inclusief die welke moeilijk te voorspellen zijn met traditionele methoden.
• De resultaten voor de flavourful VLL-modellen zijn een belangrijke mijlpaal, aangezien dit een nieuw en complex model is dat voorheen niet systematisch was onderzocht in multileptonkanalen.
• De limieten die worden gesteld zijn vergelijkbaar met, en in sommige hoekpunten van de parameter ruimte zelfs scherper dan, die van dedicated zoektochten.
• De succesvolle toepassing van Normalizing Flows op multilepton-data opent de weg voor toekomstige zoektochten naar nieuwe fysica die niet gebaseerd zijn op specifieke theoretische aannames, wat essentieel is voor de ontdekking van onverwachte fenomenen in de komende data-runs van de LHC.