Search for squarks and gluinos in $pp$ collisions at $\sqrt{s} = 13$ TeV and $13.6$ TeV in events with $τ$-leptons, jets and missing transverse momentum using the ATLAS detector

Utilizando o detector ATLAS, este artigo apresenta uma busca por supersimetria que conserva a paridade-R em colisões próton-próton a 13 e 13,6 TeV envolvendo léptons tau, jatos e momento transversal ausente, o que exclui massas de gluinos abaixo de 2,25 TeV e massas de squarks até 1,7 TeV com base em 140 fb⁻¹ e 51,8 fb⁻¹ de dados.

O essencial

A Visão Geral: Procurando por Partículas "Fantasmagóricas"

Imagine que o universo é uma gigantesca corrida de carros em alta velocidade. O Grande Colisor de Hádrons (LHC) é a pista, e o detector ATLAS é um sistema de câmeras massivo de ultra-alta velocidade que registra cada colisão.

Os físicos conhecem muito bem as regras da corrida; este livro de regras é chamado de Modelo Padrão. Ele explica como partículas como elétrons e quarks se comportam. Mas o livro de regras tem lacunas. Ele não explica por que a gravidade é tão fraca em comparação com outras forças, ou o que é a Matéria Escura (a substância invisível que mantém as galáxias unidas).

Para corrigir essas lacunas, os cientistas têm uma teoria chamada Supersimetria (SUSY). É como uma teoria de um "mundo de sombras". Ela sugere que, para cada partícula conhecida (como um quark), existe um "super-parceiro" mais pesado e invisível (como um squark ou gluino). Se esses super-parceiros existirem, eles seriam os candidatos perfeitos para a Matéria Escura.

A Missão: Capturando as Sombras

O problema é que nunca vimos esses super-parceiros. Se eles existirem, provavelmente são muito pesados e decaem (se quebram) instantaneamente em outras partículas.

Este artigo descreve a busca por uma "assinatura" específica desses super-parceiros. Os cientistas estão procurando por uma colisão que produza:

1. Jets: Jatos de partículas comuns (como detritos de uma colisão).
2. Léptons Tau: Um tipo específico e pesado de partícula (pense nisso como um "elétron pesado").
3. Momento Transversal Ausente: Este é o detalmo mais importante. Em uma colisão normal, os detritos voam em todas as direções, equilibrando-se perfeitamente. Se a câmera vê detritos voando para um lado, mas nada voando para o outro, significa que algo invisível saiu voando pela pista. Nesta teoria, esse "algo invisível" é a Partícula Supersimétrica Mais Leve (LSP), que é o nosso candidato para a Matéria Escura.

A Estratégia: Dois Estilos Diferentes de Detetive

A equipe não apenas olhou para os dados de uma única forma. Eles usaram dois estilos diferentes de detetive para garantir que não deixassem passar nada.

1. A Abordagem "Cut-and-Count" (O Filtro Rígido)
Imagine que você está procurando um tipo específico de peixe em um lago. Você monta uma rede com buracos muito específicos: "Só pegue peixes que sejam maiores que 12 centímetros, tenham barbatanas vermelhas e estejam nadando para a esquerda".

• Como funciona: Os cientistas estabeleceram regras rígidas (cortes) para os dados. Por exemplo, "Só olhamos para colisões onde a energia ausente é enorme" ou "Só olhamos para colisões onde a partícula tau está se movendo muito lentamente".
• Por que: Isso é ótimo para encontrar padrões específicos e previsíveis. Eles criaram diferentes "redes" para diferentes cenários: uma para modelos "comprimidos" (onde as superpartículas têm massas próximas) e outra para modelos de "alta massa".

2. A Abordagem de Aprendizado de Máquina (A IA Inteligente)
Imagine que, em vez de estabelecer regras rígidas, você contrata uma IA superinteligente que estudou milhões de fotos de colisões normais e algumas fotos de colisões de "sombras".

• Como funciona: Eles alimentaram o computador com milhões de colisões simuladas. A IA aprendeu a detectar padrões sutis que os humanos poderiam perder. Ela não olhou apenas para um número; ela olhou para a forma de todo o evento.
• O Resultado: A IA dá a cada colisão uma "pontuação de suspeita" de 0 a 1. Se a pontuação for alta, é provável que seja uma partícula de sombra. Se for baixa, é apenas uma colisão normal. Este método é muito inclusivo e captura uma variedade maior de sinais potenciais.

Os Dados: Uma Biblioteca Massiva

Os cientistas não olharam apenas para algumas colisões. Eles analisaram uma biblioteca massiva de dados:

• 140 "Petabytes" de dados (coletados entre 2015–2018).
• 51,8 "Petabytes" de dados (coletados entre 2022–2023).
• Eles analisaram três "canais" diferentes (tipos de colisões):
  • Exatamente uma partícula tau e nenhuma outra partícula leve.
  • Exatamente uma partícula tau e pelo menos uma outra partícula leve (elétron ou múon).
  • Duas ou mais partículas tau.

O Desafio: Os Clues "Falsos"

Uma das partes mais difíceis deste trabalho é distinguir uma partícula "tau" real de um "tau falso".

• A Analogia: Imagine que você está procurando um tipo específico de pássaro. Mas, às vezes, uma nuvem parece um pássaro, ou um pedaço de lixo parece um pássaro.
• A Solução: Os cientistas usaram um método "baseado em dados". Eles olharam para áreas dos dados onde sabiam que não havia partículas de sombra, contaram com que frequência as nuvens pareciam pássaros e usaram essa matemática para estimar quantos "pássaros falsos" havia em sua área de busca principal. Isso permitiu que eles subtraíssem o ruído e vissem o sinal real.

Os Resultados: O Silêncio das Sombras

Após rodar os números, verificar as pontuações da IA e comparar os filtros rígidos com os dados, o resultado foi claro: não encontraram nada.

• Sem Fantasmas: Não houve desvios significativos do Modelo Padrão. O número de eventos de "energia ausente" correspondeu exatamente ao que a física conhecida previa.
• A Exclusão: Embora não tenham encontrado as partículas, eles descobriram onde elas não estão.
  • Eles podem agora dizer, com 95% de confiança, que os Gluinos (um tipo de super-parceiro) não são mais leves que 2,25 TeV (uma massa muito pesada).
  • Eles podem dizer que os Squarks não são mais leves que 1,7 TeV.
  • Eles descartaram muitas combinações específicas de massas para as partículas de "sombra".

A Conclusão

Pense nesta busca como procurar uma agulha em um palheiro. Os cientistas não encontraram a agulha. No entanto, ao usar melhores ímãs (detectores mais novos), um palheiro maior (mais dados) e algoritmos de busca mais inteligentes (Aprendizado de Máquina), eles conseguiram provar que a agulha não está na metade inferior do palheiro.

Eles expandiram os limites de onde sabemos que essas partículas não podem existir, forçando os teóricos a repensar onde procurar em seguida. A busca continua, mas os lugares "fáceis" para encontrar essas partículas foram descartados.

Resumo técnico

Resumo Técnico: Busca por Squarks e Gluinos em Eventos com $\tau$-léptons, Jets e Momento Transverso Ausente

Problema e Motivação
O Modelo Padrão (SM) da física de partículas, embora experimentalmente robusto, permanece como uma teoria efetiva incompleta. Ele falha em abordar o problema da hierarquia, o ajuste fino do potencial do Higgs e a natureza da matéria escura. A Supersimetria (SUSY) oferece uma extensão teórica que introduz uma simetria entre bósons e férmions, prevendo superparceiros para todas as partículas conhecidas. Em muitos cenários de SUSY, a paridade-R é conservada, o que implica que as partículas supersimétricas são produzidas em pares e que a partícula supersimétrica mais leve (LSP) é estável, servindo como um candidato viável à matéria escura.

Este artigo apresenta uma busca por SUSY com conservação de paridade-R, visando especificamente a produção em pares de gluinos ($\tilde{g}$) e squarks de primeira ou segunda geração de mão esquerda ($\tilde{q}$). A análise foca em cadeias de decaimento onde essas partículas decaem através de estados intermediários ($\tilde{\chi}^{\pm}_1$, $\tilde{\chi}^0_2$) para $\tau$-sleptons ($\tilde{\tau}$) ou $\tilde{\nu}_{\tau}$, que subsequentemente decaem no LSP ($\tilde{\chi}^0_1$) e um $\tau$-lépton do SM ou $\nu_{\tau}$. Isso resulta em estados finais caracterizados por $\tau$-léptons com decaimento hadrônico, jets e momento transverso ausente ($E^{\text{miss}}_T$) significativo. Buscas anteriores do ATLAS (2015–2016) e CMS (2011) excluíram massas de gluino abaixo de 2 TeV e 1,15 TeV, respectivamente. Esta análise visa estender esses limites utilizando o conjunto completo de dados do Run 2 e dados iniciais do Run 3, aproveitando técnicas de reconstrução aprimoradas e estratégias de análise avançadas.

Metodologia
A análise utiliza dados de colisões próton-próton coletados pelo detector ATLAS em energias de centro de massa de $\sqrt{s} = 13$ TeV (2015–2018, 140 fb$^{-1}$) e $\sqrt{s} = 13,6$ TeV (2022–2023, 51,8 fb$^{-1}$).

• Seleção de Eventos e Canais: Os eventos devem passar por uma pré-seleção de $E^{\text{miss}}_T > 200$ GeV, pelo menos um $\tau$-lépton com decaimento hadrônico e pelo menos dois jets (um com $p_T > 120$ GeV). A busca é dividida em três canais ortogonais baseados no conteúdo de léptons:

  1. 1tau0lep: Exatamente um $\tau$ hadrônico, nenhum elétron ou múon.
  2. 1tau1lep: Exatamente um $\tau$ hadrônico e pelo menos um elétron ou múon.
  3. 2tau: Dois ou mais $\tau$-léptons hadrônicos.

• Estratégias de Análise: Duas abordagens independentes são empregadas e combinadas estatisticamente:

  1. Abordagem de Aprendizado de Máquina (ML): Uma classificação multi-classe usando Árvores de Decisão Potencializadas (XGBoost) é treinada para distinguir o sinal dos backgrounds do SM (incluindo $W$+jets, $Z$+jets, dibósons, Top e $\tau$s falsos). Todo o espaço de fase é utilizado, com Regiões de Sinal (SRs) definidas por pontuações de classificador elevadas (>0,75–0,8). Esta abordagem captura correlações entre variáveis sem impor cortes cinemáticos rígidos.
  2. Abordagem Cut-and-Count: Cortes de seleção tradicionais são aplicados para definir SRs otimizadas para topologias de sinal específicas. Isso inclui SRs "Comprimidas" (visando pequenos desdobramentos de massa $\Delta m$ com $\tau$-léptons suaves) e SRs de "Alta Massa" (visando grandes desdobramentos de massa). Variáveis cinemáticas como $E^{\text{miss}}_T$, $H_T$ e massas transversas ($m_T$, $m_{T2}$) são usadas para o agrupamento (binning).

• Estimativa de Background:

  • Top e Dibósons: Estimados usando simulações de Monte Carlo (MC) normalizadas para dados em Regiões de Controle (CRs) dedicadas.
  • $\tau$s Falsos (Jets misidentificados como $\tau$): Estimados usando uma abordagem baseada em dados de Fator de Falso Universal (UFF). Os fatores de falso são medidos em regiões dedicadas (Multijet, $Z(\ell\ell)$, $W(\mu\nu)$) e aplicados a regiões de anti-identificação na análise.
  • Incertezas Sistemáticas: Um conjunto abrangente de incertezas é considerado, incluindo calibração do detector (jets, $\tau$s, léptons), luminosidade, pile-up, modelagem teórica (PDFs, variações de escala) e incertezas estatísticas em métodos baseados em dados.

• Análise Estatística: Um ajuste de verossimilhança simultâneo (usando HistFitter/pyhf) é realizado em todas as CRs, Regiões de Validação (VRs) e SRs. Ajustes de apenas background são usados para validar a modelagem, enquanto ajustes dependentes do modelo (prescrição CL$_s$) são usados para estabelecer limites de exclusão em modelos simplificados de SUSY.

Principais Contribuições

• Combinação de Dados Run 2 e Run 3: Esta é a primeira busca ATLAS neste canal a combinar o conjunto completo de dados do Run 2 com dados iniciais do Run 3 a 13,6 TeV, aumentando significativamente o poder estatístico.
• Abordagem de Estratégia Dupla: O uso simultâneo de estratégias baseadas em ML e cut-and-count permite uma sensibilidade ótima em diferentes regiões do espaço de parâmetros de SUSY. A abordagem de ML destaca-se em regiões de alta massa, enquanto a abordagem cut-and-count, com suas SRs comprimidas dedicadas, é superior para cenários de baixo desdobramento de massa.
• Modelagem de Background Avançada: A implementação do método UFF para estimativa de $\tau$ falso e o uso de BDTs multi-classe para separação sinal/background representam um refinamento sobre iterações anteriores.
• Combinação Abrangente de Canais: A combinação estatística dos canais 1tau0lep, 1tau1lep e 2tau maximiza a sensibilidade a várias topologias de decaimento.

Resultos
Nenhuma desviação significativa das previsões do SM foi observada em nenhuma das regiões de sinal. O maior excesso local teve uma significância de menos de $2\sigma$.

• Limites de Exclusão:

  • Modelos de Gluino: Massas de gluino ($m_{\tilde{g}}$) até 2,25 TeV são excluídas para massas de LSP ($m_{\tilde{\chi}^0_1}$) até 1,35 TeV. Na região comprimida, modelos com $\Delta m(\tilde{g}, \tilde{\chi}^0_1) > 150$ GeV são excluídos.
  • Modelos de Squark: Massas de squark ($m_{\tilde{q}}$) até 1,7 TeV são excluídas para massas de LSP até 0,85 TeV. Na região comprimida, modelos com $\Delta m(\tilde{q}, \tilde{\chi}^0_1) > 130$ GeV são excluídos.
  • Comparação: Estes limites representam uma melhoria significativa em relação a buscas anteriores (ex: análise de 2015–2016), impulsionada principalmente pelo maior conjunto de dados, identificação aprimorada de $\tau$-léptons e inclusão de técnicas de ML.

• Limites Independentes de Modelo: Limites superiores na seção de choque visível ($\sigma_{\text{vis}}$) para processos de nova física em SRs específicas foram estabelecidos, variando de 0,02 a 0,31 fb ao nível de confiança de 95%.

Significância
O artigo conclui que a busca estabelece os limites mais rigorosos até o momento para modelos simplificados de SUSY envolvendo produção em pares de gluino ou squark com decaimentos em cascata ricos em $\tau$. A ausência de um sinal restringe o espaço de parâmetros para a SUSY com conservação de paridade-R, particularmente excluindo cenários de gluino e squark mais leves que eram anteriormente acessíveis. O estudo demonstra a eficácia da combinação de métodos tradicionais baseados em cortes com aprendizado de máquina e do uso de dados iniciais do Run 3 para sondar escalas de massa mais altas e espectros mais comprimidos. Os resultados são interpretados no contexto de modelos simplificados, mas nota-se que são aplicáveis a outros frameworks de SUSY (como NUHM, mSUGRA ou GMSB) que produzem estados finais semelhantes.