Search for a new resonance decaying to a Higgs boson and a scalar boson in events with two b jets and two Z bosons in proton-proton collisions at $\sqrt{s}$ = 13.6 TeV

In dit artikel wordt een zoektocht beschreven naar een nieuwe resonantie die vervalt in een Higgsboson en een scalair boson (of twee Higgsbosons) in proton-protonbotsingen bij een energie van 13 TeV, waarbij gebruik wordt gemaakt van data met twee b-jets en twee Z-bosonen, zonder dat significante afwijkingen van het Standaardmodel worden gevonden en er bovengrenzen worden gesteld aan de productiecrosssecties.

De kern

De Grote Zoektocht naar het "Onzichtbare" in het CERN-Deeltjesversneller

Stel je voor dat het CERN (het Europees Organisatie voor Kernonderzoek) een gigantische, supersnelle deeltjesautobaan is. Hier botsen protonen (kleine deeltjes) met enorme kracht tegen elkaar, alsof twee auto's met de snelheid van het licht frontaal op elkaar rijden. Het doel? Om te zien wat er uit die botsing springt. Meestal is het gewoon een puinhoop van bekende deeltjes, maar soms hopen de wetenschappers dat er iets nieuws en vreemds uit de asfaltresten springt.

Dit specifieke onderzoek van de CMS-groep (een team van duizenden wetenschappers) is op zoek naar een nieuw, zwaar deeltje dat we X noemen.

Wat zijn ze precies aan het zoeken?

De wetenschappers denken dat er een zwaar deeltje X bestaat dat onmiddellijk weer uit elkaar valt. Ze kijken naar twee mogelijke scenario's:

1. Het Dubbel-Higgs scenario (HH): Het deeltje X valt uiteen in twee Higgs-bosonen (de deeltjes die andere deeltjes massa geven).
2. Het Nieuw-Deeltje scenario (HY): Het deeltje X valt uiteen in één Higgs-boson en één nieuw, nog onbekend deeltje Y.

Om dit te vinden, kijken ze naar een heel specifieke "vingerafdruk" die deze botsingen achterlaten:

• Twee b-quarks (een soort zware deeltjes, vaak "bottom" genoemd).
• Twee Z-bosonen (andere zware deeltjes).

Eén van die Z-bosonen valt uiteen in twee elektronen of muonen (die we kunnen zien in de detector), en de andere valt uiteen in ofwel twee andere deeltjes (quarks) ofwel twee neutrino's (die onzichtbaar zijn en als een spook wegvliegen).

De Uitdaging: Een Zoektocht in een Hoop Hooi

Het probleem is dat deze botsingen extreem zeldzaam zijn. Het is alsof je in een gigantische berg hooi (de miljarden botsingen die elke seconde plaatsvinden) probeert te zoeken naar één specifiek, zeldzaam haartje.

Om dit te doen, hebben de wetenschappers een slimme filter ontwikkeld:

• De "Hoofd- en Staart" Strategie: Ze kijken naar hoe snel de deeltjes vliegen. Soms zijn ze heel traag en verspreid (zoals een langzaam rollende bal), en soms zijn ze razendsnel en samengeperst (zoals een raket). Ze hebben verschillende "bakken" (categorieën) gemaakt om deze verschillende soorten botsingen apart te houden.
• De AI-Detective: Omdat het zo moeilijk is om het echte signaal te vinden, gebruiken ze kunstmatige intelligentie (machine learning). Stel je voor dat je een super-slimme detective hebt die duizenden foto's van botsingen bekijkt. Deze AI leert het verschil tussen "gewone ruis" (de achtergrond) en "het echte signaal" (het nieuwe deeltje). De AI kijkt naar de vorm, de snelheid en de energie van de deeltjes om te zeggen: "Dit lijkt verdacht veel op het deeltje X dat we zoeken!"

Wat vonden ze?

Na het analyseren van een enorme hoeveelheid data (138 "fb⁻¹", wat neerkomt op biljoenen botsingen), was het nieuws: Geen spoor van het nieuwe deeltje.

• De data die ze zagen, paste perfect bij wat we al wisten (het Standaardmodel). Er was geen enkele piek of afwijking die zei: "Kijk hier, hier is een nieuw deeltje!"
• Het was alsof je in de berg hooi zocht, maar alleen maar gewoon hooi vond.

Waarom is dit dan nog steeds belangrijk?

Zelfs als je niets vindt, is het een succes. Waarom?

1. Het uitsluiten van gebieden: Ze hebben nu bewezen dat het deeltje X niet bestaat binnen een bepaald gewichtsgebied. Het is alsof je zegt: "Er is geen schat in dit gedeelte van de tuin." Dit dwingt andere wetenschappers om hun zoektocht te verplaatsen naar andere plekken.
2. Grenzen stellen: Ze hebben een "bovengrens" bepaald. Ze kunnen zeggen: "Als het deeltje X wel bestaat, moet het zo zeldzaam zijn dat we het met onze huidige apparatuur niet kunnen zien."
   • Voor het dubbel-Higgs scenario (HH) is de kans dat het bestaat nu kleiner dan 1 op een biljoen voor zware deeltjes.
   • Voor het nieuwe deeltje-scenario (HY) is de kans zelfs nog kleiner (ongeveer 5 op een biljoen).

Conclusie

De wetenschappers van CMS hebben een zeer nauwkeurige, slimme zoektocht uitgevoerd in de grootste deeltjesversneller ter wereld. Ze hebben gebruik gemaakt van geavanceerde filters en slimme computers om te kijken of er een nieuw deeltje X verborgen zat tussen de bekende deeltjes.

Hoewel ze geen nieuw deeltje hebben gevonden, hebben ze de zoektocht naar "Nieuwe Fysica" (fysica buiten het Standaardmodel) een stuk scherper gemaakt. Ze hebben de "moeilijkheidsgraad" voor toekomstige theorieën verhoogd: als er een nieuw deeltje is, moet het zich nog beter verstoppen dan we dachten.

Kortom: Geen nieuwe deeltjes gevonden, maar wel een heel goed bewezen dat ze niet op de plekken zaten waar we keken. De zoektocht gaat door!

Technische samenvatting

Probleemstelling en Doel

De ontdekking van het Higgs-boson in 2012 voltooide het Standaardmodel (SM) van de deeltjesfysica, maar laat vragen open over fysica daarbuiten (BSM - Beyond the Standard Model). Twee belangrijke theoretische modellen die nieuwe resonanties voorspellen, zijn:

1. Randall-Sundrum-modellen (Warped Extra Dimensions): Deze voorspellen het bestaan van zware resonanties zoals een radion (spin-0) of Kaluza-Klein-gravitonen, die kunnen vervallen in Higgs-bosonparen ($HH$).
2. Supersymmetrie (SUSY), specifiek het NMSSM: Dit model introduceert een extra complex singletveld, wat leidt tot meerdere spin-0 bosonen. Een zwaarder scalaar deeltje ($X$) kan vervallen in een Higgs-boson ($H$) en een nieuw scalaar deeltje ($Y$), oftewel $X \to HY$.

Het doel van deze analyse is het zoeken naar een nieuwe zware resonantie $X$ die vervalt in $HH$ of $HY$, met specifieke aandacht voor het vervalkanaal waarbij één Higgs-boson vervalt in een $b\bar{b}$-paar en het andere Higgs-boson (of het deeltje $Y$) vervalt in twee $Z$-bosonen. De eindtoestand is dus $bbZZ$.

Methodologie

Data en Experiment:

• Experiment: CMS-detector bij CERN.
• Data: Proton-proton botsingen bij een zwaartepuntsenergie van $\sqrt{s} = 13$ TeV.
• Geïntegreerde luminositeit: 138 fb$^{-1}$ (verzameld tijdens Run 2, 2016-2018).
• Massa-bereken: Voor $HH$-zoeken: 260 GeV tot 4 TeV; voor $HY$-zoeken: 700 GeV tot 4 TeV (afhankelijk van de massa van $Y$).

Selectie van Evenementen en Objecten:
De analyse richt zich op evenementen met twee leptonen ($e$ of $\mu$) en jets, met een specifieke focus op de vervalkanalen:

• $H \to b\bar{b}$ (herkend via $b$-tagging).
• $Z \to \ell\ell$ (leptonisch).
• $Z \to q\bar{q}$ (hadronisch) of $Z \to \nu\bar{\nu}$ (invisibel).
• Dit resulteert in twee hoofdkanalen: $bbZ(qq)Z(\ell\ell)$ en $bbZ(\nu\nu)Z(\ell\ell)$.

Categorisatie (Signal Regions - SRs):
Om de gevoeligheid te maximaliseren voor verschillende massa's van de resonantie $X$, worden de gebeurtenissen ingedeeld op basis van de Lorentz-boost van de deeltjes (opgelost vs. samengevoegde jets):

1. $bbZ(qq)Z(\ell\ell)$ kanaal (4 SRs):
   • qq0M: Beide $H$ en $Z$ opgelost (geen AK8-jets, minstens 4 AK4-jets, 2 $b$-getagged).
   • qqHM: Boosted $H$ (1 AK8-jet), opgeloste $Z$ (2 AK4-jets).
   • qqZM: Opgeloste $H$, boosted $Z$ (1 AK8-jet die faalt in $H$-tagging).
   • qq2M: Beide $H$ en $Z$ boosted (minstens 2 AK8-jets).
2. $bbZ(\nu\nu)Z(\ell\ell)$ kanaal (2 SRs):
   • $\nu\nu$1M: Boosted $H$ (1 AK8-jet).
   • $\nu\nu$0M: Opgeloste $H$ (minstens 2 $b$-getagged AK4-jets).

Achtergrondschatting:
De dominante achtergronden zijn Drell-Yan (DY) en top-quark paren ($t\bar{t}$).

• DY en $t\bar{t}$: Hun normalisatie wordt bepaald via Control Regions (CRs) die specifiek zijn ontworpen om de achtergronden te meten zonder signaalvervuiling. De DY-normalisatie wordt gesplitst op jet-multipliciteit ($n_{jet}$) omdat de modellering van zware-flavor jets in DY uitdagend is.
• Niet-prompt leptonen: Geschat met een "sideband"-methode in de data (inversie van lepton-selectiecriteria).
• Overige achtergronden: Geschat via simulatie (multiboson, $t\bar{t}+V$, SM Higgs).

Signaalextractie en Machine Learning:

• Discriminatie: Voor volledig opgeloste vervalkanalen (qq0M en $\nu\nu$0M) wordt een Boosted Decision Tree (BDT) gebruikt. De inputvariabelen omvatten kinematische eigenschappen van leptonen, jets, en ruimtelijke scheidingen ($\Delta R$).
• Massa-variabele: Voor de overige kanalen wordt de gereconstrueerde resonantiemassa ($m_{rec}^X$ of $m_{rec}^{X'}$) gebruikt als discriminerende variabele.
• Mass-averaged BDT: Om de grote hoeveelheid signaalscenario's (35 massapunten voor $HH$, 383 voor $HY$) efficiënt te behandelen, wordt een "mass-averaged" BDT-strategie toegepast. Hierbij worden alle signaalmassa's uit de training aan de achtergrond- en data-evenementen toegewezen, wat de noodzaak van vele achtergrondtemplates elimineert.
• Statistische analyse: Een gelijktijdige binned profile likelihood fit wordt uitgevoerd over alle SRs en kanalen.

Belangrijkste Bijdragen

1. Uitgebreide Zoekstrategie: Dit is een van de eerste analyses die systematisch zowel $HH$ als $HY$ productie onderzoekt in het $bbZZ$ kanaal met een geavanceerde categorisatie voor zowel opgeloste als boosted topologieën.
2. Orthogonaliteit en Zuiverheid: Er is een strikte selectie toegepast om overlap met de $bbWW$-analyse te voorkomen (door een hogere drempel voor de di-lepton massa $m_{\ell\ell} > 75$ GeV). Hoewel dit de $bbWW$ bijdrage in het $qq$ kanaal verkleint, wordt deze in het $\nu\nu$ kanaal expliciet als signaal behandeld omdat deze daar dominant is.
3. Geavanceerde Machine Learning: Het gebruik van een mass-averaged BDT maakt het mogelijk om een groot aantal BSM-scenario's (vooral voor de $HY$-kanalen met variabele $m_Y$) te testen zonder de statistische kracht van de analyse te verliezen door overfitting of te veel templates.
4. Machine Learning voor Jet-tagging: Toepassing van de ParticleNet (PNET) algoritme voor het identificeren van boosted Higgs-bosonen ($H \to b\bar{b}$) in AK8-jets, en DeepJet voor AK4-jets.

Resultaten

• Observatie: Er zijn geen significante afwijkingen van de voorspellingen van het Standaardmodel waargenomen in de signaalregio's. De data zijn consistent met de achtergrond.
• Ondergrenzen (Upper Limits): Er zijn 95% betrouwbaarheidsintervallen (CL) vastgesteld voor de productiekruisdoorsnede ($\sigma$).
  • Voor $pp \to X \to HH$: De ondergrens varieert van 400 pb bij lage massa's tot ongeveer 1 pb voor hoge massa-resonanties (bijv. > 2 TeV).
  • Voor $pp \to X \to HY \to bbZZ$: De ondergrens varieert van ongeveer 5 fb tot 500 fb, afhankelijk van de aannames voor de massa's $m_X$ en $m_Y$.
• Vergelijking: De gevoeligheid voor het $HY$-kanaal is vergelijkbaar met die van andere analyses die focussen op $H \to \gamma\gamma$ of $H \to \tau\tau$, wat aantoont dat dit kanaal competitief is voor het zoeken naar nieuwe scalaire deeltjes.

Betekenis

Deze analyse levert de strengste ondergrenzen tot nu toe voor resonante productie van Higgs-bosonparen en Higgs-scalar paren in het $bbZZ$-kanaal bij de CMS-experimenten.

• Het sluit delen van de parameter ruimte uit voor modellen zoals het Randall-Sundrum-model (radion) en het NMSSM (SUSY).
• De methode van "mass-averaged" BDT en de uitgebreide categorisatie biedt een blauwdruk voor toekomstige zoektochten naar zware resonanties in complexe eindtoestanden met meerdere zware deeltjes.
• Hoewel geen nieuw deeltje is gevonden, bevestigt de analyse de robuustheid van het Standaardmodel en definieert het de grenzen waar nieuwe fysica moet worden gezocht bij hogere energieën of met meer data (Run 3 en HL-LHC).