Searching for HWW Anomalous Couplings with Simulation-Based Inference

Dit onderzoek toont aan dat simulation-based inference-methoden, zoals likelihood-ratio- en optimale-observableschatters, gevoeliger zijn voor CP-odd en CP-even $HWW$-koppelingsafwijkingen in het $\WH \rightarrow \ell \nu b\bar{b}$-kanaal dan traditionele histogramanalyses, wat de weg vrijmaakt voor strengere beperkingen met LHC Run 3-data.

De kern

De zoektocht naar het geheim van het universum: Hoe slimme computers nieuwe deeltjesfysica vinden

Stel je voor dat je een gigantische, duizelingwekkende puzzel probeert op te lossen. De puzzelstukjes zijn de deeltjes die botsen in de Large Hadron Collider (LHC), de grootste deeltjesversneller ter wereld. De vraag is: waarom bestaat er meer materie dan antimaterie in ons universum? Het Standaardmodel, de huidige "regels" van de fysica, kan dit niet helemaal verklaren. Er moet iets zijn dat we nog niet zien: een nieuw soort kracht of een "foutje" in de regels.

Deze paper is als een zoektocht naar die onzichtbare foutjes, specifiek in de manier waarop het Higgs-deeltje (de deeltjes die massa geeft) met andere deeltjes praat. De auteurs gebruiken een heel slimme, moderne methode om die foutjes te vinden.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: Een naald in een hooiberg

In de deeltjesfysica hebben we een enorm probleem. Als we botsingen simuleren op de computer, zijn er miljoenen kleine, onzichtbare stappen tussen de botsing en wat we uiteindelijk op de detector zien. Het is alsof je een brief probeert te lezen, maar de brief is in code geschreven en er zitten duizenden tussenstappen in die je niet kunt zien.

De traditionele manier om dit op te lossen is door te kijken naar samenvattingen.

• De analogie: Stel je voor dat je een hele dag een concert hebt gefilmd. In plaats van de hele video te bekijken, maak je een lijstje: "Hoeveel keer werd er gelachen?" en "Hoeveel keer werd er gehuild?". Je hebt dan een histogram (een grafiekje). Dit is makkelijk, maar je mist de details. Misschien was er een heel specifiek moment waarop de zanger een rare noot zong dat de hele sfeer veranderde, maar dat zie je niet in je lijstje.

2. De Oplossing: De "Super-Scanner" (Machine Learning)

De auteurs in dit papier zeggen: "Laten we die lijstjes niet gebruiken. Laten we de hele video bekijken met een super-slimme camera."

Ze gebruiken Machine Learning (ML), ofwel kunstmatige intelligentie, om de volledige informatie van elke botsing te analyseren. Ze gebruiken drie nieuwe methoden (SALLY, ALICE en ALICES) die als volgt werken:

• SALLY (De slimme observator): Deze methode leert de computer om te kijken naar de "gevoeligheid" van een gebeurtenis. Het is alsof je een detective bent die niet alleen kijkt naar of er een misdaad is, maar precies weet hoe de kans op een misdaad verandert als je één klein detail aanpast. Het is een "optimale observabele" die alle informatie in één getal samenvat.
• ALICE & ALICES (De vergelijkingsspecialist): Deze methoden zijn nog slimmer. Ze vergelijken direct twee scenario's: "Wat als de natuurwetten perfect zijn (Standaardmodel)?" versus "Wat als er een nieuw, vreemd deeltje is (Nieuwe Fysica)?". De computer leert om het verschil tussen deze twee scenario's direct te zien, zonder dat we eerst een lijstje moeten maken. Het is alsof je twee foto's van elkaar houdt en de computer direct zegt: "Hier, op deze plek, zie je een verschil."

3. De Experimenten: Het filteren van ruis

De auteurs testten deze methoden op een specifieke situatie: het Higgs-deeltje dat samen met een W-deeltje wordt geproduceerd en vervolgens vervalt in een elektron of muon en twee b-quarks (een soort zware deeltjes).

Ze keken naar twee scenario's:

1. Alles meeten: Ze keken naar alle botsingen, ook die met veel "ruis" (achtergrondgeluid).
2. Alleen de beste momenten: Ze filterden alleen de botsingen waar het W-deeltje heel snel was (hoge energie).

De verrassende ontdekking:

• De traditionele methode (de lijstjes/histogrammen) werkt goed, maar mist details.
• De nieuwe ML-methoden werken beter. Ze vinden de "naald in de hooiberg" veel sneller en nauwkeuriger.
• De kracht van het filter: Door alleen naar de snelle, hoge-energie botsingen te kijken, werd het signaal van de "nieuwe fysica" veel duidelijker. Het is alsof je in een drukke stad probeert iemand te horen praten. Als je alleen kijkt naar de mensen die fluisteren (lage energie), hoor je niets. Maar als je alleen luistert naar de mensen die schreeuwen (hoge energie), hoor je het gesprek veel duidelijker.

4. Wat betekent dit voor de toekomst?

De resultaten zijn veelbelovend. De nieuwe methoden kunnen de grenzen van wat we weten over het universum veel scherper maken dan de huidige methoden van grote laboratoria zoals ATLAS en CMS.

• Voordeel: Ze kunnen meerdere "foutjes" in de regels tegelijk opsporen.
• Nadeel: Het is rekenkundig zwaar. Het is alsof je een hele film in 4K-kwaliteit moet analyseren in plaats van een samenvatting te lezen. Het kost meer tijd en rekenkracht.

Conclusie

Deze paper laat zien dat we de toekomst van de deeltjesfysica niet alleen moeten zoeken in grotere versnellers, maar ook in slimmere software. Door slimme algoritmen te gebruiken die de volledige complexiteit van de botsingen begrijpen, kunnen we de geheimen van het universum (zoals waarom we bestaan) veel sneller ontrafelen. Het is de overgang van het kijken naar een lijstje met aantallen, naar het kijken naar de hele film in 4K.

Technische samenvatting

Titel: Zoeken naar HWW Anomale Koppelingen met Simulatie-gebaseerde Inferentie

Auteurs: Marta Silva, Ricardo Barrué, Inês Ochoa en Patricia Conde Muíño.
Context: Onderzoek uitgevoerd in het kader van de Large Hadron Collider (LHC) Run 3, met focus op de Standard Model Effective Field Theory (SMEFT).

---

1. Het Probleem

Een van de grootste open vragen in de deeltjesfysica is de oorsprong van de asymmetrie tussen materie en antimaterie in het universum. De huidige Standard Model (SM) theorieën zijn ontoereikend om dit te verklaren, en schending van de CP-symmetrie (Charge-Parity) in het Higgs-sectoren is een veelbelovende oplossing.

De uitdaging ligt in het statistisch infereren van fysieke parameters (zoals Wilson-coëfficiënten die anomale koppelingen beschrijven) uit experimentele data.

• Intractable Likelihood: De waarschijnlijkheidsfunctie (likelihood) voor complexe deeltjesprocessen is vaak niet direct berekenbaar ("intractable") omdat deze integratie vereist over miljoenen latente variabelen (deeltjesstraling, hadronisatie, detectorrespons).
• Verlies van Informatie: Traditionele analyses reduceren de data vaak tot één- of tweedimensionale histogrammen van samenvattende statistieken (summary statistics). Dit leidt tot een onvermijdelijk verlies aan informatie over het onderliggende proces en de parameters.
• Beperkingen van Bestaande Methoden: Methoden zoals de Matrix Element Method (MEM) of Optimal Observables vereisen vaak vereenvoudigingen van de simulatieketen of zijn beperkt in hun toepasbaarheid op complexe scenario's.

2. Methodologie

Het paper onderzoekt de gevoeligheid van Simulation-Based Inference (SBI) technieken, een klasse van machine learning (ML) methoden die gebruikmaken van simulatoren om likelihood-ratio's te schatten zonder de likelihood-functie expliciet te hoeven berekenen.

Onderzochte Kanalen en Parameters:

• Proces: Associatieve productie van een W-boson en een Higgs-boson ($WH \to \ell\nu b\bar{b}$), waarbij $\ell = e, \mu$.
• SMEFT Raamwerk: Focus op dimensie-6 operatoren:
  • $O_{HW}$: CP-even operator.
  • $\tilde{O}_{HW}$: CP-odd operator.
• Doel: Het constraineren van de Wilson-coëfficiënten $c_{HW}$ en $c_{H\tilde{W}}$.

Gebruikte SBI-methoden:
De auteurs vergelijken drie ML-gebaseerde methoden met traditionele histogram-analyses:

1. SALLY (Score Approximates Likelihood LocallY): Een per-event schatter die de "score" (de afgeleide van de log-likelihood) benadert. Dit is lokaal optimaal rond een referentiepunt (meestal het SM).
2. ALICE (Approximate Likelihood with Improved Cross-entropy Estimator): Een per-event surrogate model dat de likelihood-ratio schat door een classifier te trainen om SM- en BSM-hypothese te onderscheiden.
3. ALICES (ALICE + Score): Een uitbreiding van ALICE die zowel de joint likelihood-ratio als de joint score gebruikt in de loss-functie om de schatting te verbeteren.

Experimenteel Opzet:

• Data: Monte Carlo simulaties gegenereerd met MadGraph_aMC@NLO, Pythia8 (parton shower) en Delphes (detector simulatie).
• Scenarios:
  • Validatie op deeltjesniveau (Parton-level): Om de methoden te verifiëren tegen de "ground truth".
  • 2D Simultane Fit: Realistische analyse inclusief detector-effecten, zowel inclusief als in een hoog-$p_T$ regio ($p_T^W > 150$ GeV) om de signaal-ruisverhouding (S/B) te verbeteren.
• Vergelijking: De ML-methoden worden vergeleken met 1D en 2D histogramfits van kinematische en hoekobservabelen (zoals $Q_\ell \cos \delta_+$ en $m_T^{\ell\nu b\bar{b}}$).

3. Belangrijkste Bijdragen

• Vergelijking van SBI met Traditionele Methoden: Eerste uitgebreide benchmarking van SALLY, ALICE en ALICES specifiek voor de $WH \to \ell\nu b\bar{b}$ kanaal met zowel CP-even als CP-odd koppelingen.
• Rol van de Signaal-Ruisverhouding (S/B): Het paper demonstreert dat het beperken van de analyse tot een hoog-$p_T$ regio de robuustheid van ML-methoden aanzienlijk verbetert, vooral voor ALICES.
• Multidimensionale Analyse: Het tonen van het vermogen van deze methoden om meerdere koppelingen simultaan te analyseren zonder de noodzaak van nieuwe, handmatig ontworpen observabelen.
• Robuustheidsonderzoek: Identificatie van variance-problemen bij ALICE/ALICES (door fluctuaties in de training) en het voorstellen van oplossingen zoals ensemble-methoden en hyperparameter-optimalisatie.

4. Resultaten

De resultaten zijn gebaseerd op een geïntegreerde luminositeit van $300 \text{ fb}^{-1}$ (verwacht voor LHC Run 3).

• Validatie: Alle methoden (SALLY, ALICE, ALICES) leverden betrouwbare resultaten op parton-niveau, waarbij de geschatte likelihood-ratio's en scores nauw overeenkwamen met de ware waarden.
• Beperkingen (Limits):
  • Inclusieve Regio: SBI-methoden (vooral SALLY) presteerden beter dan 1D histogrammen, maar waren vergelijkbaar met de beste 2D histogramanalyse ($Q_\ell \cos \delta_+ \otimes p_T^W$).
  • Hoog-$p_T$ Regio ($p_T^W > 150$ GeV): Hier toonden SBI-methoden een duidelijk voordeel:
    • ALICES leverde grenzen voor de CP-odd coefficient ($c_{H\tilde{W}}$) die 1,6 keer scherper waren dan de beste 2D histogrammethode.
    • SALLY leverde de beste grenzen voor de CP-even coefficient ($c_{HW}$), 1,3 keer scherper dan de 2D histogrammethode.
• Variance en Stabiliteit:
  • ALICE en ALICES vertoonden in de inclusieve regio grote variantie in hun schattingen (veel ruis), vooral door de lage S/B-ratio en de complexiteit van het leren van de volledige parameterafhankelijkheid.
  • Het focussen op de hoog-$p_T$ regio verlaagde deze variantie aanzienlijk en leidde tot correcte minima in de likelihood-functie.
  • SALLY bleek robuuster en minder gevoelig voor deze fluctuaties, maar vereist wel een referentiepunt nabij het SM.
• Nieuwe Fysica Schaal: De sterkste gevonden grenzen vertalen zich naar een ondergrens voor de schaal van nieuwe fysica ($\Lambda$) van respectievelijk 38 TeV (voor $c_{H\tilde{W}}$) en 53 TeV (voor $c_{HW}$).

5. Betekenis en Conclusie

Dit werk onderstreept het potentieel van geavanceerde SBI-technieken om de huidige gevoeligheid van ATLAS en CMS voor BSM-fysica te overtreffen.

• Toekomst voor LHC Run 3: De methoden bieden een weg om de beperkingen van traditionele histogram-analyses te overwinnen, vooral door het simultaan analyseren van meerdere parameters en het benutten van volledige kinematische informatie.
• Trade-off: Er is een prijs te betalen in de vorm van hogere rekenkosten en complexiteit (trainingstijden van uren versus minuten, grote datasets nodig).
• Aanbeveling: Voor de meest robuuste resultaten, vooral bij methoden zoals ALICES, is het essentieel om de analyse te beperken tot kinematische regio's met een hoge signaal-ruisverhouding (zoals hoge $p_T$).
• Breder Impact: Een verhoogde gevoeligheid voor deze Wilson-coëfficiënten heeft directe implicaties voor het testen van uitgebreide scalar-sectoren (zoals 2HDM en C2HDM) en andere nieuwe fysica-modellen.

Samenvattend bewijst dit paper dat Simulation-Based Inference een krachtig, veelbelovend instrument is voor de toekomstige analyse van Higgs-fysica, mits de methoden zorgvuldig worden geoptimaliseerd voor stabiliteit en rekenefficiëntie.