Search for resonant production of lepton-enriched semivisible jets in proton-proton collisions at $\sqrt{s}$ = 13 TeV

Technische Samenvatting: Zoektocht naar resonante productie van leptonen-verrijkte semivisibele jets

Probleem en Motivatie
Terwijl zoektochten naar donkere materie (DM) bij deeltjesversnellers voornamelijk gericht zijn geweest op Weakly Interacting Massive Particles (WIMPs) die "mono-X" signaturen opleveren (grote ontbrekende transversale impuls, $p^{\text{miss}}_T$, die terugstoot tegen zichtbare Standaardmodel-deeltjes), schieten deze benaderingen vaak tekort in de gevoeligheid voor Hidden Valley (HV) scenario's. In HV-modellen produceert een donkere sector (DS) met QCD-achtige dynamica donkere hadronen. Als een fractie van deze hadronen stabiel is, ontsnappen ze aan detectie, terwijl onstabiele hadronen vervallen naar Standaardmodel (SM)-deeltjes. Dit kan resulteren in "semivisibele jets" (SVJs), waarbij $p^{\text{miss}}_T$ uitgelijnd is met een jet.

Eerdere zoektochten door ATLAS en CMS hebben zich gericht op volledig hadronische SVJ-signaturen. Echter, recente theoretische studies suggereren dat bestaande zoektochten ongevoelig zijn voor scenario's waarin SVJs verrijkt zijn met leptonen. Dit artikel adresseert deze kloof door de eerste zoektocht te presenteren naar resonante productie van SVJs die verrijkt zijn met leptonen, specifiek gericht op twee verschillende scenario's: jets verrijkt met alle lepton-smaken ($\text{SVJ}_\ell$) en jets die voornamelijk verrijkt zijn met tau-leptonen ($\text{SVJ}_\tau$).

Methodologie
De analyse maakt gebruik van 138 fb$^{-1}$ aan proton-proton botsingsdata bij $\sqrt{s} = 13$ TeV, verzameld door de CMS-detector tijdens 2016–2018. Het signaalmodel gaat uit van een zware $Z'$-mediator die vervalt naar donkere quarks ($\chi$), die via een donkere QCD-kracht hadroniseren tot stabiele en onstabiele donkere hadronen. De onstabiele hadronen vervallen prompt naar SM-quarks en leptonen.

• Signaalscenario's:

  • $\text{SVJ}_\ell$: Gemedieerd door een $Z'$ en een donker foton $A'$. Donkere vector-mesonen ($\rho_{\text{dark}}$) vervallen democratisch naar alle SM-lepton-smaken en quarks.
  • $\text{SVJ}_\tau$: Gemedieerd door een $Z'$ gekoppeld aan tau-leptonen. Donkere pionnen ($\pi_{\text{dark}}$) vervallen naar de zwaarste kinematisch toegankelijke up-type quarks en tau-leptonen. De resulterende elektronen en muonen (van $\tau$-vervallen) zijn zachter en vergezeld van neutrinos vergeleken met het $\text{SVJ}_\ell$-geval.

• Event Selectie en Categorisering:
  Events worden geselecteerd op basis van een hoge transversale massa ($m_T$) van het dijet-systeem en de uitlijning tussen $p^{\text{miss}}_T$ en de leidende jets. Een belangrijke innovatie is de categorisering op basis van lepton-isolatie binnen jets met behulp van een "mini-isolatie" variabele ($I_{\text{mini}}$).

  • $\text{SVJ}_\ell$: Wordt primair geanalyseerd in een "multilepton" categorie waar leptonen voldoen aan isolatie-eisen.
  • $\text{SVJ}_\tau$: Wordt geanalyseerd in zowel "0-lepton" (geen geïsoleerde leptonen) als "multilepton" categorieën, aange het zachtere lepton-spectrum en de hogere neutrino-inhoud leiden tot verschillende isolatie-efficiënties.

• Machine Learning Strategie:
  Een tweeledige machine-learning benadering wordt ingezet om de signaalgevoeligheid en achtergrondschatting te verbeteren:

  1. Jet Tagging (LUNDNET): Een uitbreiding van het LUNDNET-algoritme, gebruikmakend van een Graph Neural Network (GNN) dat opereert op een "Lund tree" representatie van jet-constituenten. Deze architectuur vangt de onderscheidende stralingspatronen van SVJs op (voortkomend uit dubbele parton-showering in de donkere en SM-sectoren) vergeleken met SM-jets. Het netwerk wordt afzonderlijk getraind voor $\text{SVJ}_\ell$ en $\text{SVJ}_\tau$ signalen in hun respectieve lepton-categorieën.
  2. Achtergrondschatting (MD-ABCDISCOTEC): Een volledig verbonden Deep Neural Network (DNN) wordt gebruikt om achtergronden in de signaalregio (SR) te schatten met behulp van een ABCD-methode. Om de validiteit van de ABCD-methode te waarborgen, worden twee discriminant-variabelen ($D_1, D_2$) getraind die statistisch onafhankelijk van elkaar en van de zoekvariabele ($m_T$) zijn. Dit wordt bereikt met een "mass-decorrelated ABCDISCOTEC" (MD-ABCDISCOTEC) techniek, die afstandscorrelatie-verliezen (DisCo) minimaliseert en een sluitingsrelatie afdwingt.

Belangrijkste Bijdragen

• Eerste Experimentele Beperkingen: Dit werk levert de eerste experimentele limieten op leptonen-verrijkte semivisibele jets, een klasse van signaturen die voorheen onverkend bleef door deeltjesversnellings-experimenten.
• Nieuwe ML Integratie: Het artikel introduceert de eerste toepassing van een uitgebreide LUNDNET GNN voor het onderscheiden van leptonen-verrijkte SVJs van SM-achtergronden.
• Geavanceerde Achtergrondschatting: Het demonstreert het gebruik van de MD-ABCDISCOTEC methode voor resonante zoektochten, waarbij discriminanten succesvol worden gedecorreleerd van de zoekmassa-variabele ($m_T$) om een robuuste achtergrondschatting in bins van $m_T$ mogelijk te maken.
• Dual-Scenario Analyse: De analyse behandelt uniek twee verschillende signaal-topologieën ($\text{SVJ}_\ell$ en $\text{SVJ}_\tau$) met op maat gemaakte selectiestrategieën (lepton-isolatie versus 0-lepton) en specifieke ML-trainingsconfiguraties.

Resultaten
Er werd geen significante overmaat van events boven de Standaardmodel-voorspelling waargenomen in de data. De resultaten worden geïnterpreteerd als 95% betrouwbaarheidsniveau (CL) bovengrens op de productie-doorsnede vermenigvuldigd met de vertakkingsfractie ($\sigma_{Z'} \mathcal{B}_{\text{dark}}$).

• $\text{SVJ}_\ell$ Scenario: Mediator-massa's ($m_{Z'}$) worden uitgesloten in het bereik 1.5 tot 4.7 TeV voor benchmark onzichtbare fracties ($r_{\text{inv}}$) van 0.3 en donkere hadron-massa's ($m_{\text{dark}}$) van 16 GeV. Het uitsluitingsbereik is het meest gevoelig voor gematigde $r_{\text{inv}}$ waarden, waar selectie-efficiëntie en achtergrondreductie optimaal zijn.
• $\text{SVJ}_\tau$ Scenario: Mediator-massa's worden uitgesloten in het bereik 1.8 tot 3.5 TeV voor $r_{\text{inv}} = 0.3$, $B_\tau = 0.3$, en $m_{\text{dark}} = 8$ GeV. De 0-lepton categorie draagt significant bij aan het uitsluiten van hoog-massa signalen ($>3$ TeV), terwijl de multilepton categorie de gevoeligheid bij lagere massa's verhoogt door de QCD-achtergrond te onderdrukken.
• Lokale Fluctuatie: Een kleine discrepantie tussen de geobserveerde en verwachte limieten werd genoteerd bij $m_{Z'} = 3$ TeV en $r_{\text{inv}} = 0.7$ voor de $\text{SVJ}_\tau$ zoektocht, met een lokale significantie van 2.4$\sigma$. Echter, na rekening te houden met het "look-elsewhere effect", reduceert de globale significantie naar 1.6$\sigma$, wat consistent is met een statistische fluctuatie.

Significantie
Het artikel claimt de bestaande zoektochten naar dijet-resonanties, donkere materie met initial-state radiation, en volledig hadronische semivisibele jets aan te vullen door een nieuw parameterrum te verkennen dat gekenmerkt wordt door leptonen-verrijking. Door de eerste beperkingen op te leggen aan deze specifieke HV-scenario's, demonstreert de analyse de capaciteit van moderne machine-learning technieken (GNN's voor jet-substructuur en gedecorreleerde DNN's voor achtergrondschatting) om complexe donkere sector signaturen te onderzoeken die voorheen ontoegankelijk waren voor standaard trigger- en selectiestrategieën. De resultaten beperken modellen waarbij de donkere sector communiceert met het SM via portalen die bij voorkeur leptonen produceren, waardoor de levensvatbare parameterruimte voor sterk gekoppelde donkere materie modellen wordt verkleind.