Search for $H\rightarrow c\bar{c}$ and measurement of $H\rightarrow b\bar{b}$ via $t\bar{t}H$ production

Deze studie, gebaseerd op CMS-data van proton-protonbotsingen bij 13 TeV, rapporteert een meting van de $t\bar{t}H$-productie met een Higgs-boson dat vervalt in bottom-quarks en stelt bovendien een bovengrens voor de Yukawa-koppeling van het charm-quark door te zoeken naar de zeldzame $H\rightarrow c\bar{c}$ verval.

De kern

🕵️‍♂️ De Grote Deelname: Een Jacht op de 'Charm' Higgs

Stel je voor dat het CMS-experiment (een gigantische camera in de Large Hadron Collider) een enorme feestzaal is waar deeltjes met elkaar botsen. In deze zaal proberen wetenschappers een heel zeldzame gast te vinden: de Higgs-deeltje.

Maar deze gast is niet zomaar iemand; hij is een chameleontje. Soms verandert hij in een paar bottom-quarks (een soort zware deeltjes), en soms in een paar charm-quarks (lichtere, maar lastigere deeltjes).

Het doel van dit onderzoek was tweeledig:

1. De bekende gast vinden: Bewijzen dat de Higgs-deeltjes soms veranderen in bottom-quarks als ze samen met twee top-quarks (de "zwaarste" deeltjes) worden geproduceerd.
2. De zeldzame gast vinden: Kijken of we de Higgs-deeltjes kunnen zien veranderen in charm-quarks. Dit is als zoeken naar een naald in een hooiberg, omdat de Higgs veel vaker in bottom-verandert dan in charm.

🎯 De Strategie: Het "Party-Filter" Systeem

Om deze deeltjes te vinden, gebruikten de wetenschappers een slimme strategie, vergelijkbaar met het filteren van gasten op een drukke feestzaal:

1. De Deeltjes-Identificatie (ParticleNet):
   Stel je voor dat je een groep mensen ziet lopen. Je moet weten wie wie is: wie is de zware top-quark, wie is de charm-quark en wie is gewoon een "licht" deeltje?
   De wetenschappers gebruikten een geavanceerde AI (kunstmatige intelligentie) genaamd ParticleNet. Dit is als een super-scherpe beveiligingsagent die elke "jet" (een bundel deeltjes) scant en zegt: "Ah, dit is een charm-quark!" of "Nee, dit is gewoon ruis."

   • Analogie: Het is alsof je een camera hebt die niet alleen foto's maakt, maar direct op de foto's de kleding en het gedrag analyseert om te zeggen: "Die persoon is de chef-kok (bottom), die is de kokkies (charm), en die is een gast (licht)."

2. De Feestzaal-Indeling (Event Classification):
   Nadat ze de deeltjes hadden geïdentificeerd, gebruikten ze nog een slimme AI, genaamd Particle Transformer (ParT). Deze AI keek naar het hele plaatje: hoeveel deeltjes waren er, hoe snel bewogen ze, en wat was hun verband?

   • Analogie: Stel je voor dat je een detective bent die niet alleen naar één verdachte kijkt, maar naar de hele groep. De AI zegt: "Deze groep gedraagt zich precies zoals een groep zou doen die een Higgs-deeltje met charm-quarks heeft geproduceerd," of "Nee, dit is gewoon een groep die toevallig zo lijkt."

📊 De Resultaten: Wat Vonden Ze?

Hier is wat er uit de data (verzameld tussen 2016 en 2018) kwam:

1. De Bekende Gast (H → bb): Een Overwinning!
De wetenschappers zagen de Higgs-deeltjes die veranderden in bottom-quarks.

• Het resultaat: Ze vonden het precies zoals de theorie voorspelde. Het is alsof je een bekende ster op het feest zag en dacht: "Ja, daar is hij, precies zoals verwacht!"
• Betekenis: Ze hebben dit met een zekerheid van 4,4 sigma gemeten. In de wereld van deeltjesfysica is dit een enorme overwinning (meer dan 5 sigma is een officiële "ontdekking", maar 4,4 is al heel sterk). Het bewijst dat onze theorieën kloppen.

2. De Zeldzame Gast (H → cc): Nog Niet Gezien, maar Grenzen Getrokken
Nu de echte uitdaging: de charm-quarks.

• Het resultaat: Ze vonden geen overtuigend bewijs dat de Higgs-deeltjes in charm-veranderen in dit specifieke proces.
• Maar... Ze konden wel zeggen: "Als de Higgs-deeltjes vaker in charm veranderen dan we denken, dan moet dat maximaal 7,8 keer zo vaak zijn als de theorie voorspelt."
• De Analogie: Stel je voor dat je zoekt naar een specifieke soort muis in een bos. Je ziet geen muis. Maar je kunt zeggen: "Als er toch muizen zijn, dan kunnen er maximaal 7,8 keer zoveel zijn als we dachten, anders hadden we ze wel gezien."
• De Limiet: Ze stelden een limiet voor de "Yukawa-koppeling" (een maatstaf voor hoe sterk de Higgs met charm-deeltjes praat) op 3,0. Dat betekent: de kracht waarmee de Higgs met charm-deeltjes interageert, is niet meer dan 3 keer zo sterk als de standaardtheorie zegt.

🌟 Waarom is dit belangrijk?

• De "Charm" uitdaging: De Higgs-deeltjes praten het liefst met zware deeltjes (zoals bottom). Het praten met lichtere deeltjes (zoals charm) is veel lastiger. Als we kunnen meten hoe sterk dit praten is, kunnen we controleren of het Standaardmodel (de blauwdruk van het universum) wel klopt.
• De Toekomst: Hoewel ze de charm-gast nog niet direct hebben gevangen, hebben ze de zoekgebied drastisch verkleind. Ze hebben bewezen dat hun nieuwe AI-methoden werken. Met meer data in de toekomst hopen ze die "naald in de hooiberg" eindelijk te vinden.

Kortom:
De wetenschappers hebben bewezen dat ze de "bottom" Higgs-deeltjes perfect kunnen vinden. Ze hebben de "charm" Higgs-deeltjes nog niet gevonden, maar ze hebben wel een heel strakke grens getrokken: als ze er zijn, zijn ze niet veel sterker dan we al dachten. Het is een grote stap voorwaarts in het begrijpen van hoe het universum in elkaar zit!

Technische samenvatting

Titel: Zoeken naar H →cc en meting van H →bb via ttH-productie (CMS-samenwerking)

Auteurs: Maarten De Coen (namens de CMS-samenwerking)
Data: Geanalyseerde data van 2016–2018 (138 fb⁻¹ geïntegreerde luminositeit bij 13 TeV)
ArXiv: 2602.14703v1 [hep-ex] (Datum: 16 februari 2026)

---

1. Het Probleem en de Motivatie

Sinds de ontdekking van het Higgs-boson in 2012 is het begrijpen van de koppelingen tussen het Higgs-boson en fermionen (Yukawa-koppelingen) een centraal onderwerp in de deeltjesfysica. Hoewel de koppeling aan de zware top- en bottom-quarks goed is gemeten, is de koppeling aan de charm-quark (tweede generatie) nog steeds moeilijk te bepalen en minder goed onderzocht.

• Doel: Het direct zoeken naar het verval van het Higgs-boson naar een charm-quark-antiquark paar ($H \to c\bar{c}$) in associatie met een top-antitop paar ($t\bar{t}H$).
• Uitdaging: Het onderscheiden van charm-jets van bottom-jets en lichte jets (light jets) is experimenteel zeer moeilijk, vooral omdat de achtergrond van $t\bar{t}$-productie met extra jet-straling ($t\bar{t} + \text{jets}$) dominant is.

2. Methodologie en Analysestrategie

De analyse maakt gebruik van data van de CMS-detector bij proton-proton botsingen van 13 TeV.

Dataselectie en Kanalen:

• Er worden drie vervalkanalen van het $t\bar{t}$-paar beschouwd: volledig hadronisch (0L), semileptonisch (1L) en dileptonisch (2L).
• Selectiecriteria: Hoge jet-multipliciteit (7, 5 of 4 jets afhankelijk van het kanaal), minimale missing transverse momentum (20 GeV voor 1L/2L) en een hoge som van jet-transverse momenta (>500 GeV voor 0L).

Jet-flavour Tagging (Classificatie):

• Er wordt gebruikgemaakt van ParticleNet, een algoritme gebaseerd op grafische neurale netwerken (GNN), om jets te classificeren.
• Jets worden ingedeeld in categorieën op basis van twee discriminant-scores:
  1. Scheiding tussen charm- en bottom-flavoured jets.
  2. Scheiding tussen zware (b/c) en lichte jets.
• Er wordt gevraagd om ten minste 3 jets die als b- of c-jets zijn getagged (met specifieke efficiënties van 70% voor b en 50% voor c), waarbij minstens 1 jet als b-jet moet zijn geïdentificeerd.

Gebeurtenisclassificatie (Event Classification):

• Geselecteerde gebeurtenissen worden ingevoerd in een Transformer-based neurale netwerk genaamd Particle Transformer (ParT).
• Input: Eigenschappen en paarsgewijze kenmerken van objecten (jets, leptonen, missing transverse momentum).
• Training: Het netwerk wordt getraind om waarschijnlijkheidsscores toe te kennen voor signalen ($t\bar{t}H \to c\bar{c}$, $t\bar{t}H \to b\bar{b}$, $t\bar{t}Z \to c\bar{c}$, $t\bar{t}Z \to b\bar{b}$) en achtergronden ($t\bar{t} + \text{jets}$, opgesplitst in 5 classes gebaseerd op jet-flavour, en QCD-multijet voor het 0L-kanaal).
• Regio's: Gebeurtenissen met hoge signaalscores worden toegewezen aan Signaalkanalen (SRs), terwijl andere in Controlekanalen (CRs) terechtkomen om de normalisatie van de achtergronden te beperken.

Statistische Analyse:

• Een binned profile likelihood fit wordt uitgevoerd op de ParT-discriminante distributies.
• Het signaalsterkte-parameter ($\mu$) wordt gefit als de verhouding tussen de waargenomen opbrengst en de Standaardmodel (SM) verwachting.
• Onzekerheden (experimenteel en theoretisch) worden behandeld als nuisance parameters.

3. Belangrijkste Resultaten

Meting van $t\bar{t}H(H \to b\bar{b})$:

• De gemeten signaalsterkte is $\mu_{t\bar{t}H(H\to b\bar{b})} = 0.91^{+0.26}_{-0.22}$.
• Dit resultaat is compatibel met de SM-verwachting en vertegenwoordigt een significantie van 4.4 standaardafwijkingen (σ) boven de achtergrond-only hypothese.
• De dominante systematische onzekerheid komt voort uit de theoretische voorspelling van de $t\bar{t} + \geq 2b$ achtergrond.

Zoeken naar $t\bar{t}H(H \to c\bar{c})$:

• Er wordt geen significante afwijking gevonden; er wordt een bovengrens gesteld.
• De waargenomen (verwachte) bovengrens op de signaalsterkte is $\mu_{t\bar{t}H(H\to c\bar{c})} < 7.8$ (8.7) bij een betrouwbaarheidsniveau van 95% (CL).
• Dit resultaat is statistisch gedomineerd en zal verbeteren met meer data.

Yukawa-koppeling Modifier ($\kappa_c$):

• In het $\kappa$-kaderwerk (waarbij de takingsratio's worden geparametriseerd door Yukawa-modifiers) wordt een bovengrens bepaald voor de charm-koppeling.
• Bij het vasthouden van $\kappa_b$ op de SM-waarde, is de waargenomen (verwachte) bovengrens: $\kappa_c < 3.0$ (3.3).
• Dit verbetert de eerdere beste limieten van CMS en ATLAS die waren bepaald via vectorboson-geassocieerde Higgs-productie.
• De combinatie met eerdere resultaten in dit kanaal levert een waargenomen limiet op van $\kappa_c < 3.5$.

Validatie:

• De analyse werd gevalideerd met metingen van $t\bar{t}Z(Z \to c\bar{c})$ en $t\bar{t}Z(Z \to b\bar{b})$, die beide compatibel waren met de SM-verwachtingen.

4. Bijdragen en Betekenis

• Technologische Vooruitgang: Het paper demonstreert de succesvolle toepassing van geavanceerde machine learning (GNN's voor jet-tagging en Transformers voor event-classificatie) om complexe achtergronden in $t\bar{t}$-processen te beheersen.
• Fysieke Impact: Het biedt de eerste directe zoektocht en strengste limieten tot nu toe voor de charm-Yukawa-koppeling in het $t\bar{t}H$-kanaal. Hoewel er nog geen signaal is gevonden, wordt de parameter ruimte voor afwijkingen van het Standaardmodel aanzienlijk ingeperkt.
• Toekomst: De resultaten zijn statistisch gedomineerd; met toekomstige datanames (High-Luminosity LHC) wordt verwacht dat de gevoeligheid voor de charm-koppeling verder zal toenemen.

Conclusie:
De analyse bevestigt de $t\bar{t}H(H \to b\bar{b})$ productie met hoge significantie en stelt de strengste limieten tot nu toe op de koppeling van het Higgs-boson aan charm-quarks, wat cruciaal is voor het testen van de consistentie van het Standaardmodel op de tweede generatie fermionen.