Reinterpreting the ATLAS HHH$\to 6b$ Search with CheckMATE and Rivet: Validation, TRSM Benchmarks, and HL-LHC Prospects

Dit artikel presenteert een gevalideerde implementatie van de ATLAS triple-Higgs naar zes $b$-jets zoektocht in CheckMATE en Rivet, waarbij deze wordt gebruikt om uitsluitingslimieten vast te stellen voor Standard Model en TRSM benchmarks en om de gevoeligheid van de High Luminosity LHC te projecteren onder diverse scenario's van systematische onzekerheid.

De kern

Stel je de Large Hadron Collider (LHC) voor als een enorme, razendsnelle deeltjesknalmachine. Wanneer protonen op elkaar botsen, creëren ze soms een zeer zeldelijk en zwaar deeltje genaamd het Higgs-boson. Wetenschappers zijn bijzonder geïnteresseerd in of de LHC in staat is om drie van deze Higgs-bosonen op exact hetzelfde moment te produceren. Dit is als proberen drie zeldzame, ongrijpbare vlinders in één enkel net te vangen; het is ongelooflijk moeilijk, maar als je dat doet, vertelt het ons veel over de fundamentele regels van het universum.

Dit artikel gaat over een team van natuurkundigen dat een specifieke zoektocht uitgevoerd door het ATLAS-experiment (een van de gigantische detectoren bij de LHC) heeft uitgevoerd en deze heeft herbouwd met behulp van twee verschillende "digitale simulatietools" genaamd CheckMATE en Rivat. Denk aan deze tools als twee verschillende soorten hoogtechnologische videogame-engines. Het doel was om te zien of ze de resultaten van het ATLAS-experiment perfect konden nabootsen en ze vervolgens konden gebruiken om naar nieuwe fysica te zoeken die het oorspronkelijke team misschien over het hoofd heeft gezien.

Hier is een uitsplitsing van wat ze hebben gedaan, met behulp van eenvoudige analogieën:

1. De "Zes-B-Jet" Puzzel

Wanneer drie Higgs-bosonen worden gecreëerd, vallen ze bijna onmiddellijk uiteen (breken uit elkaar) in paren deeltjes die b-quarks worden genoemd. Omdat elke Higgs er twee maakt, maken drie Higgs-bosonen zes b-quarks. In de detector zien deze eruit als zes jets van energie.

• De Uitdaging: De achtergrondruis (andere deeltjesbotsingen) is als een drukke, lawaaierige feestavond. Het vinden van zes specifieke jets in die ruis is als het proberen te vinden van zes specifieke mensen met rode hoeden in een stadion vol mensen.
• De Oplossing: Het ATLAS-team gebruikte een Deep Neural Network (DNN). Denk aan dit als een superintelligente AI-scheidsrechter die naar de vorm, snelheid en positie van die zes jets kijkt om te beslissen: "Is dit het zeldzame triple-Higgs-signaal, of is het gewoon achtergrondruis?"

2. De "Recreatie" (Validatie)

De auteurs van dit artikel wilden ervoor zorgen dat ze het werk van het ATLAS-team perfect konden repliceren met hun eigen tools (CheckMATE en Rivet).

• De "Recept"-controle: Ze namen het "recept" (de data en het AI-model) dat door ATLAS werd verstrekt en probeerden hetzelfde gerecht te bereiden in hun eigen keukens.
• De Ontdekking: Ze ontdekten een paar kleine fouten in het "receptenboek" (het gepubliceerde artikel). Bijvoorbeeld, het artikel zei dat de AI naar de jets op één manier keek, maar de werkelijke AI had de jets eigenlijk vanuit een ander perspectief geroteerd voordat er naar gekeken werd. Het was alsof je besefte dat de chef de ingrediënten vanaf de onderkant van de kom mat in plaats van vanaf de bovenkant.
• De Fix: Zodra ze deze details corrigeerden, kwamen hun simulaties bijna perfect overeen met de ATLAS-resultaten. Dit bewees dat hun tools betrouwbaar waren en dat het oorspronkelijke experiment solide was.

3. Het Testen van Nieuwe Theorieën (De "Wat Als"-scenario's)

Het Standaardmodel (onze huidige theorie van de natuurkunde) voorspelt hoe vaak deze triple-Higgs-gebeurtenissen zouden voorkomen. Maar wat als er Nieuwe Fysica is?

• Het TRSM-model: De auteurs testten een specifieke nieuwe theorie genaamd het Two Real Scalar Model (TRSM). Stel je voor dat het Standaardmodel een standaard kaartspel is. Deze nieuwe theorie suggereert dat er twee extra, verborgen kaarten in het spel zitten die de manier waarop het spel wordt gespeeld, veranderen.
• De "Benchmark"-punten: Ze testten 140 verschillende versies van deze nieuwe theorie (zoals het testen van 140 verschillende manieren waarop de extra kaarten geschud kunnen worden).
• Het Resultaat voor Nu: Gebruikmakend van de data die we nu hebben (van de afgelopen jaren van de LHC), werd geen van deze 140 nieuwe theorieën uitgesloten. Het signaal was te zwak om ze te zien. Het is als het zoeken naar een fluistering in een orkaan; de huidige data is niet luid genoeg om ze te horen.

4. Kijken in de Toekomst (De HL-LHC)

De LHC krijgt een upgrade genaamd de High-Luminosity LHC (HL-LHC), die vele jaren zal draaien en veel meer data zal verzamelen.

• De Projectie: De auteurs gebruikten hun gevalideerde tools om te simuleren wat er zou gebeuren als de LHC 3 tot 6 keer meer data zou verzamelen dan hij nu heeft.
• Het Goede Nieuws: Met deze enorme hoeveelheid nieuwe data zou de "ruis" van het feestje gedempt worden en de "fluistering" van de nieuwe fysica hoorbaar worden.
  • In een "best-case" scenario (waarbij we aannemen dat we alle meetfouten perfect kunnen beheersen), vonden ze dat bijna de helft van de 140 nieuwe theorieën bevestigd of uitgesloten kon worden.
  • Zelfs in een realistischer scenario konden ze een paar van de meest extreme versies van deze theorieën uitsluiten.

5. Waarom Dit Er Toe Doet

Dit artikel is een "kwaliteitscontrole" en "toekomstvoorspellings"-rapport.

• Kwaliteitscontrole: Ze bewezen dat onafhankelijke wetenschappers complexe experimenten kunnen herbouwen met openbare tools, wat garandeert dat de resultaten betrouwbaar zijn.
• Toekomstvoorspelling: Ze toonden aan dat we deze nieuwe theorieën vandaag misschien niet kunnen zien, maar dat de geüpgradede LHC in de toekomst waarschijnlijk krachtig genoeg zal zijn om deze zeldzame, triple-Higgs-gebeurtenissen te detecteren en potentieel nieuwe natuurwetten te ontdekken.

Kortom: De auteurs hebben een complexe deeltjesfysische zoektocht genomen, deze met hun eigen tools herbouwd om te verzekeren dat deze perfect is, en vervolgens voorspeld dat de volgende generatie van de LHC eindelijk de kracht zal hebben om deze zeldzame, triple-Higgs-gebeurtenissen te detecteren en mogelijk nieuwe natuurwetten te ontdekken.

Technische samenvatting

Technische Samenvatting: Herinterpretatie van de ATLAS $HHH \to 6b$ Zoektocht met CheckMATE en Rivet

Probleem en Motivatie
De meting van de Higgs-boson zelfkoppelingen ($\lambda_3$ en $\lambda_4$) is een primair doel voor de Large Hadron Collider (LHC), aangezien afwijkingen van de Standaardmodel (SM) voorspellingen signalen kunnen zijn van fysica voorbij het Standaardmodel (BSM). Hoewel Higgs-paarproductie al beperkingen heeft opgelegd, biedt triple Higgs-productie ($HHH$) cruciale onafhankelijke gevoeligheid voor de quartische koppeling. De ATLAS-collaboratie heeft recentelijk een zoektocht naar $HHH \to 6b$ (HIGP-2024-32) gepubliceerd met behulp van geavanceerde machine learning-technieken, specif seguito van Deep Neural Networks (DNN's), en een statistisch model gebaseerd op het HS3-formaat. Echter, de complexiteit van deze analyses—met name de afhankelijkheid van propriëtaire input voor neurale netwerken en statistische likelihoods—brengt uitdagingen met zich mee voor onafhankelijke herinterpretatie. Dit artikel behandelt de noodzaak voor een robuuste, gevalideerde implementatie van de ATLAS $HHH \to 6b$ zoektocht in twee breed gebruikte herinterpretatie-frameworks: CheckMATE en Rivet.

Methodologie
De auteurs hebben de ATLAS-analyse geïmplementeerd in zowel CheckMATE als Rivet, volgens een rigoureus validatieprotocol dat mogelijk werd gemaakt door het uitgebreide aanvullende materiaal dat door ATLAS is verstrekt (inclusief ONNX neurale netwerken, HS3 statistische modellen en validatiehistogrammen).

1. Event Generatie en Simulatie: Signaalgebeurtenissen voor het SM en het Two Real Scalar Model (TRSM) werden gegenereerd met MadGraph5_aMC@NLO bij $\sqrt{s}=13$ TeV en 14 TeV, gekoppeld aan Pythia 8 voor parton showering en hadronisatie. Detectorsimulatie werd uitgevoerd met Delphes 3.5 (voor CheckMATE) en de smearing-functies van Rivet (voor Rivet), waarbij het DL1d b-tagging algoritme werd geïncorporeerd.
2. Implementatie details:
   • CheckMATE: Maakte gebruik van de ONNX Runtime C++ bibliotheek voor DNN-inferentie en een nieuwe interface voor HS3-formaat likelihoods met behulp van XRooFit.
   • Rivet: Gebruikte een standalone Python-script om YODA en HS3-bestanden te lezen voor statistische inferentie, aangezien het standaard Contur-pakket HS3-likelihoods nog niet direct ondersteunt.
3. Validatieproces: De auteurs voerden een granulair onderzoek uit naar de tien kinematische inputvariabelen voor drie verschillende DNN's (niet-resonant, resonant en zwaar-resonant) tegen de ATLAS referentieverdelingen. Cruciaal was dat zij discrepanties in de definitie van inputvariabelen identificeerden en gecorrigeerd hebben, specifiek:
   • Sfericiteit/Aplanariteit: De oorspronkelijke analyse berekende deze observabelen na het boosten van de zes leidende jets naar het rustframe van het triple-Higgs systeem, een detail dat aanvankelijk over het hoofd werd gezien in de implementatie.
   • RMS($\eta$): Gecorrigeerd om de wortel van de gemiddelde kwadraten (root-mean-square) van de zes leidende b-jets te reflecteren voordat ze gepaard werden, in plaats van de drie Higgs-kandidaten.
4. Statistische Analyse: De implementaties werden gevalideerd door uitsluitingslimieten te vergelijken met ATLAS-resultaten voor meer dan 60 benchmarkpunten. Vervolgens pasten de auteurs deze gevalideerde tools toe op een nieuwe set van 140 "Optimised Double-Resonant Benchmark" (ODRB) punten uit Ref. [25], die voldoen aan perturbativiteitsbeperkingen en hogere dwarsdoorsneden bieden vergeleken met eerdere benchmarks.

Belangrijkste Bijdragen

• Eerste Volledige Validatie van ML-inputs: Dit werk presenteert het eerste geval waarbij alle inputverdelingen en outputs van een gereinterpreteerde LHC neurale netwerk individueel zijn gevalideerd tegen het originele experiment, wat de noodzaak van gedetailleerde aanvullende plots voor ML-herinterpretatie bevestigt.
• HS3 Likelihood Integratie: Het demonstreert het eerste gebruik van HS3-formaat likelihoods binnen het CheckMATE-framework en een aangepaste workflow voor Rivet, wat het nut van dit formaat voor externe herinterpretatiestudies valideert.
• Correctie van Analyse Details: Het artikel identificeert specifieke technische discrepanties tussen de gepubliceerde analysebeschrijving en de werkelijke implementatie (bijv. frame boosting voor sfericiteit), en biedt een gecorrigeerde methodologie voor toekomstige herinterpretaties.
• Nieuwe Fysica Projecties: De studie breidt de analyse uit naar de ODRB-benchmarkpunten, die niet werden behandeld in de oorspronkelijke ATLAS-publicatie, en projecteert de gevoeligheid voor de High-Luminosity LHC (HL-LHC).

Resultaten

• Validatie: Na correctie van de inputvariabele-definities vertoonden zowel de CheckMATE als de Rivet implementaties een uitstekende overeenkomst met de ATLAS-data voor de inputverdelingen en DNN-scores. Statistische uitsluitingslimieten voor de oorspronkelijke ATLAS-benchmarks werden gereproduceerd binnen de onzekerheidsbanden, met kleine afwijkingen die worden toegeschreven aan het uitsluiten van bepaalde signaal-specifieke systematische onzekerheden in de recasting workflow.
• Run 2 Gevoeligheid: Bij het toepassen van de gevalideerde tools op de 140 ODRB-punten bij $\sqrt{s}=13$ TeV (Run 2), vonden de auteurs dat geen van de benchmarkpunten wordt uitgesloten door de huidige dataset. De sterkste geobserveerde signaalsterkte-limiet ($\mu$) is ongeveer 4.
• HL-LHC Vooruitzichten: Bij het extrapoleren naar de HL-LHC ($\sqrt{s}=14$ TeV, 3 ab$^{-1}$ en 6 ab$^{-1}$) onder verschillende scenario's van systematische onzekerheid:
  • In een "baseline" scenario wordt geen enkel punt uitgesloten.
  • In een "verminderde achtergrondonzekerheid" scenario worden 3 punten toegankelijk met een gecombineerde ATLAS+CMS dataset (6 ab$^{-1}$).
  • In een "geen systematische onzekerheid" scenario zijn 25 punten toegankelijk met 3 ab$^{-1}$, en 67 punten (bijna de helft van de set) zijn toegankelijk met 6 ab$^{-1}$.
  • De resonante DNN biedt de sterkste limieten voor de meerderheid van de punten, hoewel de niet-resonante DNN dominant wordt voor hogere $m_3$ waarden.

Betekenis
Het artikel demonstreert dat met voldoende aanvullend materiaal (ONNX-modellen, HS3-likelihoods en gedetailleerde validatieplots), complexe machine learning-gebaseerde LHC-zoektochten succesvol en accuraat kunnen worden gerecast. De succesvolle validatie van het HS3-formaat voor statistische inferentie in externe tools markeert een belangrijke stap naar meer transparante en reproduceerbare BSM-fysica zoektochten. Hoewel de huidige Run 2-data onvoldoende zijn om deze nieuwe ODRB-benchmarks te verkennen, stelt de studie vast dat de HL-LHC het potentieel heeft om een aanzienlijk deel van deze fysisch gemotiveerde modellen uit te sluiten, mits systematische onzekerheden worden beheerd en, potentieel, indien neurale netwerken worden geoptimaliseerd voor de specifieke kinematica van deze nieuwe benchmarks. De auteurs benadrukken dat hun resultaten dienen als een proof-of-concept voor het nut van HS3 en het belang van gedetailleerde validatie in het tijdperk van geavanceerde machine learning in de deeltjesfysica.