Search for electroweakinos in compressed-spectrum scenarios with low-momentum isolated tracks in proton-proton collisions at $\sqrt{s}$ = 13 TeV

Met behulp van 138 fb$^{-1}$ aan proton-protonbotsingsdata bij 13 TeV voerde de CMS-samenwerking een zoektocht uit naar bijna massagedegenereerde higgsino-achtige elektroweakino's via geïsoleerde sporen met lage impuls en ontbrekende transversale impuls, waarbij geen significante overschrijding werd gevonden en strikte uitsluitingsgrenzen werden gesteld voor charginomassa's tot 185 GeV voor massaverschillen tussen 0,28 en 1,15 GeV.

De kern

Het Grote Plaatje: Jacht op "Spookachtige Tweelingen"

Stel je voor dat je een rechercheur bent die op zoek is naar een heel specifiek type crimineel. Deze crimineel is een "spook" dat nooit een vingerafdruk achterlaat, maar wel een klein, bijna onzichtbaar voetafdrukje.

In de wereld van de deeltjesfysica zoeken wetenschappers bij CERN (de Europese Organisatie voor Kernonderzoek) naar bewijs van Supersymmetrie (SUSY). Denk aan SUSY als een "schaduwwereld" waar elk bekend deeltje een zwaarder, onzichtbaar tweelingbroertje heeft. Een specifiek type van deze tweelingen heet een higgsino.

Het probleem? Deze higgsino's zijn erg verlegen. Als ze bestaan, zijn ze misschien zo vergelijkbaar in gewicht met hun partners dat ze nauwelijks bewegen wanneer ze vervallen (uiteenvallen). Dit maakt ze ongelooflijk moeilijk te spotten, net als proberen een fluistering te horen in een orkaan.

Het Specifieke Mysterie: Het "Gecomprimeerde" Scenario

Dit artikel richt zich op een lastige situatie die een "gecomprimeerd spectrum" wordt genoemd.

• De Analogie: Stel je een zware bowlingbal (het zware deeltje) voor die een heuvel afrolt. Normaal gesproken, wanneer deze breekt, schiet hij een tennisbal (een nieuw deeltje) met veel snelheid eruit. Je kunt de tennisbal die weg vliegt gemakkelijk zien.
• De Twist: In dit specifieke scenario weegt de bowlingbal en de tennisbal bijna exact even zwaar. Wanneer de bowlingbal breekt, vliegt de tennisbal niet weg; hij rolt gewoon een heel klein beetje vooruit. Hij beweegt zo langzaam (hij heeft "lage impuls") dat het lijkt alsof hij daar gewoon drijft.

Omdat deze deeltjes zo zwaar zijn en zo langzaam bewegen, verlaten ze de detector niet snel. In plaats daarvan reizen ze een heel kleine afstand (tot ongeveer 1 centimeter) voordat ze veranderen in een enkel, langzaam bewegend pion (een type deeltje). Dit creëert een "zacht, geïsoleerd spoor" – een vaag, kort lijntje in de detector dat niet verbonden is met de hoofdcrashlocatie.

De Uitdaging: Een Naald in een Hooiberg

De wetenschappers zoeken naar deze vage, langzame sporen in een enorme hoop data.

• De Hooiberg: De Large Hadron Collider (LHC) laat miljarden keren protonen op elkaar botsen. De meeste van deze botsingen creëren een chaotische puinhoop van deeltjes (achtergrondruis).
• De Naald: Het signaal dat ze willen vinden, is een enkel, langzaam spoor dat iets afwijkt van het centrum van de crash, vergezeld van veel "ontbrekende energie" (omdat de spookachtige deeltjes de detector ongemerkt verlaten).

De moeilijkheid is dat de achtergrondruis enorm is. Er zijn veel nepsporen veroorzaakt door de detector die in de war raakt of door andere veelvoorkomende deeltjesinteracties. Het echte "spook"-signaal onderscheiden van de ruis is als proberen een specifiek persoon te horen fluisteren in een stadion vol juichende fans.

De Oplossing: Een Slimme AI-Rechercheur

Om dit op te lossen, gebruikte het CMS-team niet alleen simpele regels (zoals "als het spoor deze lengte heeft, tel het"). In plaats daarvan bouwden ze een Neuraal Netwerk (een type kunstmatige intelligentie).

• Hoe het werkt: Stel je voor dat je een hond traint om een specifiek geur te vinden. Je toont de hond duizenden voorbeelden van de "spook"-geur (gesimuleerd signaal) en duizenden voorbeelden van "ruis" (achtergrond).
• De Training: De AI kreeg data over de sporen: hoe snel ze bewogen, precies waar ze begonnen en hoe ver ze afweken van het centrum. Het leerde om de subtiele patronen te spotten die menselijke ogen of simpele wiskunde zouden missen.
• Het Resultaat: De AI fungeert als een filter, sorteert de miljoenen sporen en zegt: "Deze ziet eruit als een spook," of "Deze is gewoon ruis."

Het Onderzoek: Wat Vonden Ze?

Het team analyseerde data van 138 biljoen protonbotsingen (138 fb⁻¹) die werden opgenomen tussen 2016 en 2018. Ze gebruikten hun AI om te scannen naar het specifieke "langzame spoor"-kenmerk.

Het Vonnis:

• Geen Spoken Gevonden: Na het bekijken van alle data vonden ze geen enkel bewijs van deze higgsino-tweelingen. Het aantal gebeurtenissen dat ze zagen, kwam exact overeen met wat het Standaardmodel (onze huidige beste theorie van de fysica) voorspelt voor normale achtergrondruis.
• Mogelijkheden Uitsluiten: Hoewel ze de deeltjes niet vonden, leerden ze iets belangrijks. Ze kunnen nu met 95% zekerheid zeggen dat als deze higgsino's wel bestaan, ze niet zo licht kunnen zijn als 185 GeV (een massa-eenheid) als het massaverschil tussen hen klein is.

De Conclusie: Het Venster Sluiten

Denk aan dit zoeken als het sluiten van een deur op een specifieke kamer in een huis.

• Voor dit artikel wisten wetenschappers niet of deze "gecomprimeerde" higgsino's zich in die kamer verstopten.
• Na dit artikel kunnen ze zeggen: "We hebben overal in die kamer gezocht, en de higgsino's zijn er niet (tenminste niet met de massa en snelheid die we hebben getest)."

Dit stelt strenge grenzen aan "Natuurlijke Supersymmetrie". Het vertelt theoretici dat als deze deeltjes bestaan, ze zwaarder moeten zijn of zich anders moeten gedragen dan de specifieke "gecomprimeerde" modellen die dit artikel testte. Het zoeken gaat door, maar deze specifieke verstekplek is grondig gecontroleerd en leeg bevonden.

Technische samenvatting

1. Probleemstelling en Fysische Motivatie

Het zoektocht richt zich op supersymmetrie (SUSY) met een gecomprimeerd spectrum, specifiek scenario's die higgsino-achtige electroweakino's omvatten. In deze modellen is het lichtste neutralino ($\tilde{\chi}^0_1$) het Lightest Supersymmetric Particle (LSP) en een kandidaat voor donkere materie. De Next-to-Lightest Supersymmetric Particles (NLSP's) — het lichtste chargino ($\tilde{\chi}^\pm_1$) en het tweede neutralino ($\tilde{\chi}^0_2$) — zijn bijna massa-ontgroeid met het LSP.

• De Uitdaging: Wanneer de massasplitsing ($\Delta m^\pm = m(\tilde{\chi}^\pm_1) - m(\tilde{\chi}^0_1)$) klein is (specifiek 0,3–1 GeV), produceert het verval $\tilde{\chi}^\pm_1 \to \tilde{\chi}^0_1 \pi^\pm$ een zeer laag-energetisch (zacht) pion.
• Detectieschwierigheid:
  • Als $\Delta m^\pm \lesssim 0,3$ GeV, is het chargino lang genoeg leven om een "disappearing track"-signatuur te produceren.
  • Als $\Delta m^\pm \gtrsim 1$ GeV, is het pion energiek genoeg om eenvoudig te worden gereconstrueerd als een standaard spoor.
  • De "Kloof": In het intermediaire bereik (0,3–1 GeV) heeft het pion een transversale impuls ($p_T$) die doorgaans onder de 1 GeV ligt en een verplaatsing van maximaal ~1 cm ten opzichte van de primaire vertex (PV). Deze sporen gaan vaak verloren door standaardreconstructiedrempels of worden verward met achtergrond van pile-up en onderliggende gebeurtenissen.

2. Methodologie

Data en Selectie

• Dataset: 138 fb$^{-1}$ aan proton-proton botsingsdata bij $\sqrt{s} = 13$ TeV verzameld door de CMS-detector (2016–2018).
• Trigger: Gebeurtenissen worden geselecteerd met een drempel voor ontbrekende transversale impuls ($p_T^{miss}$) van $>120$ GeV.
• Offline Selectie:
  • $p_T^{miss} > 300$ GeV en $H_T^{miss} > 300$ GeV (scalare som van jet $p_T$).
  • Minstens één geïsoleerd spoor met $p_T < 20$ GeV en $|\eta| < 2,4$.
  • Veto op geïsoleerde elektronen, muonen, fotonen en hadronische $\tau$-leptonen.
  • Veto op $b$-getagde jets en gebeurtenissen met $\ge 5$ jets.
  • Eisen aan de hoekafstand ($\Delta\phi$) tussen $p_T^{miss}$ en jets om QCD-multijet-achtergronden te verwerpen.

Achtergrondschatting

De dominante achtergronden zijn:

1. $Z \to \nu\nu$ + jets: Echte $p_T^{miss}$ afkomstig van neutrino's.
2. $W \to \ell\nu$: Waarbij het lepton verloren gaat of faalt in identificatie.
3. QCD Multijets: Foutief gemeten $p_T^{miss}$ en nep-spoor.
4. Secundaire Sporen: Sporen van pile-up, onderliggende gebeurtenissen of vervallen van deeltjes die bij de primaire vertex (PV) zijn geproduceerd (PV-geassocieerd).

Aantallen achtergronden worden geschat met simulatie gecorrigeerd door data-gedreven methoden:

• Normalisatie: Schalingsfactoren afgeleid van controlegebieden (CR) met behulp van $Z \to \mu\mu$-gebeurtenissen (voor $Z \to \nu\nu$) en inclusieve $z$-verplaatsings ($d_z$)-verdelingen van sporen (voor PV-geassocieerde en schijnbare sporen).
• Verfijning: Een multivariate regressie gebaseerd op de Fast Perfekt-methodologie wordt gebruikt om mismodeling in de simulatie van spoorkinematica en impactparameters te corrigeren, zodat de gesimuleerde verdelingen overeenkomen met de data in de controlegebieden.

Machine Learning Strategie

Een geparametriseerde feedforward Neural Network (NN) vormt de kern van de analyse om signaalsporen te onderscheiden van achtergrond.

• Architectuur: Drie verborgen lagen met elk 256 eenheden, met LeakyReLU-activaties.
• Invoer: 37 observabelen, waaronder spoor-kinematica ($p_T$, $\eta$), helix-fitkwaliteit, significantie van de impactparameter ($IP_{xy}$) ten opzichte van de PV en pile-up-vertices, en $p_T^{miss}$ op gebeurtenisniveau.
• Parametrizatie: Het netwerk wordt getraind met het invoer-massaverschil ($\Delta m^\pm_{in}$) als parameter (0,3, 0,6 en 1,0 GeV) om correlaties over het signaalfaseraum te vangen.
• Uitvoer: De NN classificeert sporen in vijf categorieën: Signaal, $\tau$-vervalsporen, andere secundaire sporen, prompte PV-spoor en schijnbare sporen.
• Signaalgebieden (SR's): Gebeurtenissen worden gecategoriseerd op basis van de NN-score ($\tilde{P}$) voor de signaalklasse. Drie distincte SR's worden gedefinieerd die overeenkomen met de invoer $\Delta m^\pm_{in}$-waarden, elk verder gebinnd op basis van de score om de sensitiviteit te maximaliseren.

3. Belangrijkste Bijdragen

1. Nieuw Zoekkanaal: Dit is een van de eerste zoektochten die specifiek gericht is op het moeilijke regime van 0,3–1 GeV massasplitsing met behulp van laag-energetische geïsoleerde sporen en een toewijde NN-aanpak. Eerdere zoektochten richtten zich op óf verdwijnende sporen ($\Delta m < 0,3$ GeV) óf zachte leptonen ($\Delta m > 1$ GeV).
2. Geavanceerde Achtergrondmodellering: Het gebruik van een geparametriseerd NN staat een geünificeerde behandeling van signaal en achtergrond toe over verschillende massasplitsingen, wat de sensitiviteit aanzienlijk verbetert ten opzichte van traditionele op cuts gebaseerde analyses.
3. Data-gedreven Verfijning: De implementatie van de Fast Perfekt-regressietechniek om simulatiemismodeling van eigenschappen van zachte sporen (impactparameters en $p_T$) te corrigeren, zorgt voor een robuuste achtergrondschatting in een gebied dat wordt gedomineerd door reconstructie-inefficiënties.

4. Resultaten

• Observatie: Er werd geen significant overschot aan gebeurtenissen waargenomen boven de verwachting van het Standaardmodel in een van de 12 Signaalgebieden. De data is consistent met de hypothese van alleen achtergrond.
• Uitsluitingslimieten (95% Betrouwbaarheidsniveau):
  • Massasplitsing: Het higgsinamodel wordt uitgesloten voor massasplitsingen in het bereik 0,28–1,15 GeV.
  • Chargino-massa:
    • Voor een massasplitsing van 0,55 GeV worden chargino-massa's tot 185 GeV uitgesloten.
    • Voor een chargino-massa van 100 GeV worden massasplitsingen tussen 0,28 en 1,15 GeV uitgesloten.
• Vergelijking: Deze limieten zijn de strengste tot nu toe voor dit specifieke gecomprimeerde-spectrumregime, en sluiten effectief een aanzienlijke kloof in de zoektocht naar natuurlijk higgsino-donkere materie.

5. Betekenis

Deze analyse adresseert een kritiek "blind punt" in de zoektocht naar natuurlijke supersymmetrie. Argumenten voor naturaliteit suggereren dat higgsino's licht moeten zijn (in de buurt van het elektroweak-schaal, $\sim 100$ GeV) om fijne afstelling te vermijden. Echter, als de massasplitsing klein is, zijn de resulterende zachte pionen moeilijk te detecteren.

Door deze zachte, potentieel verplaatste sporen succesvol te reconstrueren en te identificeren met behulp van een geavanceerde machine learning-aanpak, heeft dit resultaat:

• Natural SUSY Beperkt: Het legt zware beperkingen op aan de parameter ruimte voor natuurlijke higgsino-scenario's, en duwt de ondergrens voor de chargino-massa aanzienlijk hoger dan eerdere limieten in dit specifieke kinematische regime.
• Methodologie Gedemonstreerd: Het valideert het gebruik van geparametriseerde neurale netwerken en geavanceerde spoorreconstructietechnieken voor het onderzoeken van laag-energetische signatuur, een strategie die essentieel zal zijn voor toekomstige runs met hoge luminositeit aan de LHC en toekomstige colliders.
• Implicaties voor Donkere Materie: Het verkleint het levensvatbare venster voor higgsino-donkere materie, wat suggereert dat als higgsino's bestaan, ze óf zwaarder moeten zijn dan 185 GeV (wat leidt tot meer fijne afstelling) óf massasplitsingen moeten hebben buiten het bereik van 0,28–1,15 GeV.