🔬 physics

Hadronic Mono-Z Dark Matter Sensitivity with Flow Matching on CMS Open Data

Dit artikel presenteert een geprojecteerde sensitiviteitsstudie voor hadronische mono- $Z$ donkere materie met behulp van CMS Open Data, waarbij wordt aangetoond dat een conditional flow-matching model dat gedetailleerde extra-jet kinematica incorporeert, verwachte significanties tot 7,62 $\sigma$ bereikt terwijl methodologische uitdagingen zoals missing-object imputatie en in-sample bias worden aangepakt.

Oorspronkelijke auteurs: Hitesh Rasineni, Bhavishya Chebrolu

Gepubliceerd 2026-08-20

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Hitesh Rasineni, Bhavishya Chebrolu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het universum is gevuld met materie die we niet kunnen zien. Astronomen weten dat deze onzichtbare stof, donkere materie genoemd, bestaat omdat de zwaartekracht ervan sterren en sterrenstelsels aantrekt, maar het weigert op elke andere manier met licht of gewone materie te interageren. Ontdekken waar deze substantie uit bestaat, blijft een van de grootste mysteries in de natuurkunde. Een manier waarop wetenschappers proberen een glimp van het op te vangen, is door protonen met ongelooflijk hoge snelheden tegen elkaar aan te botsen in massieve machines die deeltjesversnellers worden genoemd. Als deeltjes van donkere materie in deze botsingen worden gecreëerd, zouden ze ongedetecteerd wegvliegen en energie met zich meevoeren. Deze ontbrekende energie zou een kenmerkende onbalans achterlaten in het puin van de botsing, een gat in de boekhouding dat suggereert dat er iets onzichtbaars is ontsnapt.

Om deze ontbrekende energie te vinden, zoeken onderzoekers naar specifieke patronen waarbij een bekend deeltje, zoals een Z-boson, wordt geproduceerd naast de onzichtbare donkere materie. Het Z-boson is een zware drager van de zwakke kernkracht en kan vervallen in een paar jets, wat sprays van deeltjes zijn die eruitzien als één enkel, zwaar object in de detector. Deze specifie gebouwde opstelling, waarbij een Z-boson verschijnt met niets anders dan ontbrekende energie, is een veelbelovende zoekplaats. De echte uitdaging is echter dat de achtergrondruis van gewone deeltjesbotsingen overweldigend is. Het is also kind van proberen een fluistering te horen in een orkaan; het signaal is er wel, maar de storm van gewone gebeurtenissen maakt het bijna onmogelijk om het zonder uiterst geavanceerde instrumenten te onderscheiden.

In een recente studie met behulp van gegevens van het Compact Muon Solenoid (CMS)-experiment bij de Large Hadron Collider, pakten onderzoekers deze uitdaging aan door een nieuwe vorm van kunstmatige intelligentie toe te passen op de zoektocht naar donkere materie in deze hadronische, of jet-gebaseerde, botsingen. Het team, werkend met open data uit ب 2015, richtte zich op een specifieke dataset met meer dan 20 miljoen geregistreerde botsingen. Uit deze enorme poel selecteerden ze ongeveer 1,44 miljoen gebeurtenissen die voldoen aan de criteria voor een Z-boson geproduceerd met ontbrekende energie. In plaats van te vertrouwen op traditionele statistische formules om te raden hoe de achtergrondruis eruit zou moeten zien, trainden ze een flexibel computermodel om de vorm van de achtergrond direct uit de data zelf te leren. Dit model fungeert als een zeer gevoelig filter, dat de complexe patronen van gewone botsingen zo goed leert kennen dat het kan opmerken wanneer een nieuwe gebeurtenis vreemd genoeg is om een teken van donkere materie te zijn.

De onderzoekers gebruikten een techniek genaamd flow matching, waardoor de computer de waarschijnlijkheid van verschillende botsingsuitkomsten in kaart kan brengen zonder gedwongen te worden in rigide wiskundige dozen. Ze leerden het model de achtergrond te herkennen door de geselecteerde botsingsgebeurtenissen als input te gebruiken, maar ze hielden een aparte groep gebeurtenissen verborgen voor het trainingsproces om het model later te testen. Dit zorgde ervoor dat de computer de data niet alleen simpelweg memoriseerde, maar ook daadwerkelijk de onderliggende patronen leerde. Om de rommelige realiteit van de deeltjesfysica aan te pakken, waarbij sommige metingen mogelijk ontbreken als er geen extra deeltjes worden geproduceerd, ontwikkelde het team een speciale methode om deze gaten duidelijk te markeren in plaats van ze op te vullen met valse getallen die het model zouden kunnen verwarren. Ze pasten ook een veiligheidscontrole toe om te garanderen dat elk signaal dat ze claimden te hebben gevonden, gebaseerd was op een solide aantal achtergrondgebeurtenissen, om te voorkomen dat ze werden misleid door willekeurige statistische flukes in de staart van de data.

Toen ze dit systeem testten tegen gesimuleerde signalen van donkere materie, waren de resultaten opvallend voor bepaalde theoretische modellen. Voor twee van de drie scenario's die ze testten, projecteerde het model dat het experiment een ontdekkingsniveau van gevoeligheid had kunnen bereiken, een significantie die als een ontdekking in het vakgebied zou worden beschouwd als een dergelijk signaal zou worden waargenomen. Voor het derde, lichtere scenario was de geprojecteerde gevoeligheid lager, maar nog steeds aanwezig. Cruciaal was dat de studie onthulde dat de extra jets van deeltjes die vaak samen met de hoofd botsing worden geproduceerd, niet alleen ruis waren; ze bevatten vitale informatie. Wanneer de onderzoekers de details over deze extra jets uit hun analyse verwijderden, daalde de geprojecteerde mogelijkheid om het signaal van donkere materie te spotten dramatisch, met meer dan de helft in sommige gevallen. Dit suggereert dat de specifieke vorm en rangschikking van deze extra sprays van deeltjes een unieke vingerafdruk bieden die helpt om een gebeurtenis van donkere materie te onderscheiden van de chaotische achtergrond van gewone botsingen.

De studie beweert niet dat er donkere materie is gevonden, aangezien het een projectie is gebaseerd op simulaties en een specifieke inkeping van gegevens uit het verleden, en niet een nieuwe observatie van een echte ontdekking. Het demonstreert echter dat het gebruik van geavanceerde, flexibele machine learning-modellen op complexe jet-data het vermogen om te zoeken naar deze ongrijpbare deeltjes aanzienlijk kan verbeteren. Door af te stappen van rigide formules en de data het model te laten leren wat normaal is, lieten de onderzoekers zien dat het hadronische kanaal, dat ooit als te luidruchtig werd beschouwd om nuttig te zijn, aanzienlijke belofte inhoudt. Het werk benadrukt dat de subtiele details van hoe deeltjes verstrooien en het extra puin dat ze achterlaten, de sleutel zijn tot het ontsluiten van de geheimen van het onzichtbare universum, en een duidelijkere weg bieden voor toekomstige zoektochten aan de hoogenergetische grens van de fysica.

Probleemstelling

Het artikel behandelt de uitdaging van het detecteren van Donkere Materie (DM) in het hadronische mono-Z kanaal ( $pp \to Z(\to q\bar{q}) + \text{DM}$ ) met behulp van CMS Run 2015D open data. Hoewel het leptonische mono-Z kanaal een schoon signaal biedt, profiteert het hadronische kanaal van een aanzienlijk groter vertakkingsfractie ( $Z \to q\bar{q}$ ), maar kampt het met een complexe, hoog-multipliciteits multijet achtergrond.

Vorig werk van de auteurs op het leptonische kanaal met behulp van Neural Spline Flows (NSFs) werd beperkt door residuële discrepanties in de achtergrondmodellering in de hoge vermissing-transversale-impuls ( $E^{\text{miss}}_T$ ) staart, wat de limietverhoudingen opblas en een zuivere interpretatie van de signaalsterkte verhinderde. De huidige studie beoogt dit programma uit te breiden naar het hadronische kanaal, terwijl een fundamenteel andere strategie voor dichtheidsmodellering wordt geïntroduceerd om deze beperkingen te overwinnen en de complexe kinematische topologie van extra jets beter te verwerken.

Methodologie

1. Data en Signaalgeneratie

Dataset: De analyse maakt gebruik van de CMS Run 2015D HTMHT MINIAOD open dataset, overeenkomend met een geïntegreerde luminositeit van $2.256382381 \text{ fb}^{-1}$ . Vanuit 20,6 miljoen ruwe events voldoen 1.439.523 events aan de hadronische mono-Z selectie (efficiëntie $\approx 6,96\%$ ).
Selectie: Events vereisen ten minste twee jets ( $p_T > 30 \text{ GeV}$ , $|\eta| < 2,4$ ) die een $Z$ -kandidaat vormen ( $70 < m_{jj} < 110 \text{ GeV}$ , $\Delta R_{jj} < 2,0$ ) en een b-tag veto op additionele jets.
Signaal: DM-signalen worden gegenereerd met behulp van het DMsimp spin-1 vereenvoudigde model (s-kanaal mediator) met MadGraph5_aMC@NLO, Pythia8 en Delphes fast simulation. Drie benchmarks zijn behouden: twee axiale-vectoren ( $m_\chi, m_{med} = (10, 20)$ en $(50, 200)$ GeV) en één vector ( $m_\chi, m_{med} = (1, 500)$ GeV).

2. Achtergronddichtheidsmodellering: Conditional Flow Matching
In plaats van de gesloten vorm Neural Spline Flows (NSFs) die in de leptonische voorganger werden gebruikt, hanteert deze studie een Conditional Flow-Matching Continuous Normalizing Flow (CFM-CNF).

Architectuur: Het model definieert de achtergronddichtheid impliciet via een geleerd tijdsafhankelijk vectorveld dat wordt geïntegreerd langs een waarschijnlijkheidsstroom ODE. De dichtheid wordt verkregen uit de divergentie-trace met behulp van de Hutchinson stochastic estimator.
Trainingsdoel: Het model wordt getraind met een simulatievrije conditional flow-matching doelstelling, waarbij het vectorveld wordt geregeerd op de snelheid van een rechte lijn waarschijnlijkheidspad tussen een Gaussische ruis-sample en een datapunt. Dit vermijdt de architecturale beperkingen van inverteerbare koppelingslagen.
Feature-afhandeling:
- Sentinel Imputatie: Om ongedefinieerde hoekkenmerken aan te pakken wanneer er geen extra jet aanwezig is (bijv. $\Delta\phi(E^{\text{miss}}_T, \text{jet})$ ), mappen de auteurs deze waarden naar een expliciete waarde buiten het bereik ($-999$), in plaats van ze in het fysieke continuüm te imputeren. Dit voorkomt de creatie van spookachtige puntmassa's.
- Feature Set: Een 32-feature schema wordt gebruikt, inclusief kinematische, hoek-, en recoil-observabelen. Zes extra-jet kinematische features zijn opgenomen in de baseline, maar verwijderd in een ablatie-studie.

3. Statistisch Kader

Discriminant: De per-event negatieve log-likelihood (NLL) van de achtergronddichtheid dient als de discriminant.
Held-Out Scoring: Om in-sample scoring bias te voorkomen, wordt het achtergrondmodel getraind op 80% van de data en gescoord op slechts een gehouden 20% validatiesplit. Deze gescoorde events worden hergewogen om de opbrengst voor de volledige geselecteerde populatie te schatten.
Significantieberekening: De verwachte significantie ( $Z_A$ ) wordt berekend met de Asimov counting formule. Het werkpunt wordt geselecteerd door NLL-drempelwaarden te scannen, beperkt door een minimale achtergrondopbrengst van $B \ge 20$ events om look-elsewhere bias en instabiele optimalisatie op zeldzame staartfluctuaties te vermijden.
Trigger Proxy: Omdat Delphes de CMS High-Level Trigger (HLT) niet emuleert, wordt een offline trigger proxy ( $H_T > 350 \text{ GeV}$ OF $E^{\text{miss}}_T > 120 \text{ GeV}$ OF ...) toegepast op gesimuleerde signalen vóór de scoring.

Belangrijkste Bijdragen

Methodologische Verschuiving: Het artikel markeert de overgang van gesloten vorm NSFs naar continue flow-matching CNFs voor achtergrondmodellering in een hadronisch kanaal. Dit maakt een flexibeler, continu-tijd dichtheidsmodel mogelijk dat getraind wordt met een simulatievrije doelstelling, waardoor de architecturale beperkingen van inverteerbare lagen worden vermeden.
Sentinel Imputatiestrategie: De auteurs introduceren een specifieke afhandeling voor ongedefinieerde features in jet-arme events door ze te behouden als expliciete sentinel-waarden. Dit voorkomt het fabriceren van spookachtige puntmassa's in het fysieke continuüm, een bekend artefact bij eerdere imputatiemethoden.
Ablatie van Extra-Jet Topologie: Een systematische ablatie-studie demonstreert dat gedetailleerde extra-jet kinematica (voorbij eenvoudige jet-multipliciteit) substantiële discriminerende kracht bezit, waarbij de verwachte significantie met 53–71% afnekt wanneer deze worden verwijderd.
Robuust Statistisch Protocol: De studie implementeert een rigoureus protocol bestaande uit held-out validatie scoring, populatie herweging en een $B \ge 20$ werkpunt-vloer om stabiele, onbevooroordeelde geprojecteerde sensitiviteiten te garanderen.

Resultaten

Onder de baseline procedure (32 features, sentinel imputatie, $B \ge 20$ constraint), levert de analyse de volgende geprojecteerde verwachte significante resultaten voor de drie vereenvoudigde-model benchmarks:

Axiaal $(10, 20)$ GeV: $2,89\sigma$
Axiaal $(50, 200)$ GeV: $7,62\sigma$
Vector $(1, 500)$ GeV: $7,41\sigma$

De zwaardere benchmarks bereiken ontdekkingsniveau-sensitiviteit ( $>5\sigma$ ), terwijl het lichte axiale punt een matige sensitiviteit vertoont.

Ablatie-studie:
Wanneer de zes gedetailleerde extra-jet kinematische features worden verwijderd (waardoor de feature dimensie wordt gereduceerd naar 26):

Daalt de significantie voor de lichte axiale benchmark drastisch van $2,89\sigma$ naar $0,83\sigma$ .
De zwaardere benchmarks dalen respectievelijk met 63,5% en 53,5%.
Dit geeft aan dat de signaal-achtergrond scheiding sterk afhangt van de topologie van extra jets (waarschijnlijk initial-state radiation), en niet alleen van de kern mono-Z kinematica.

Betekenis en Claims

Het artikel claimt dat dit werk een significante methodologische uitbreiding is van hun eerdere leptonische mono-Z studie. Door over te stappen naar het hadronische kanaal, benutten zij de grotere $Z \to q\bar{q}$ vertakkingsfractie, maar moeten zij ook een complexere achtergrond verwerken, waarvoor het flexibele CFM-CNF model is ontworpen.

De auteurs benadrukken dat de overstap naar een enkele achtergronddichtheid-discriminant (in plaats van een twee-hypothese likelihood ratio) en het gebruik van een held-out validatiesplit de hoog- $E^{\text{miss}}_T$ staart modellering residuen vermijden die de vorige leptonische analyse plaagden.

Bescheidenheid en Beperkingen:
De auteurs verklaren expliciet dat dit geprojecteerde sensitiviteiten zijn, geen geobserveerde resultaten. Er is geen unblinding van een signaalregio uitgevoerd. Zij erkennen verschillende beperkingen:

Trigger Proxy: De offline trigger proxy is waarschijnlijk een overschatting van de ware acceptatie, met name voor lichtere benchmarks.
Systematiek: Er zijn geen systematische onzekerheden (bijv. van de dichtheidsmodelkeuze of de ODE-solver) opgenomen; alleen statistische Poisson-onzekerheid wordt gepropageerd.
Simulatie-kloven: De Delphes simulatie mist pileup overlay en gebruikt vereenvoudigde b-tagging, wat het uitsluiten van bepaalde features noodzakelijk maakt.
Structurele Beperking: Continue normalizing flows kunnen niet perfect discrete-plus-continue mengsels representeren (bijv. de $p_T=0$ spike voor ontbrekende extra jets), hoewel de sentinel-fix de hoekfeature-problemen verzacht.

Concluderend toont de studie aan dat flow-matching technieken, gecombineerd met zorgvuldige feature engineering (sentinel imputatie) en rigoureuze statistische controles, robuuste geprojecteerde sensitiviteiten kunnen bieden voor complexe hadronische DM zoektochten met open data.

Probleemstelling

Methodologie

Belangrijkste Bijdragen

Resultaten

Betekenis en Claims

Meer zoals dit