Search for Beyond the Standard Model physics with anomaly detection in multilepton final states in $pp$ collisions at $\sqrt{s}=13$ TeV with the ATLAS detector

Este artigo apresenta uma busca model-agnóstica por física além do Modelo Padrão em estados finais com quatro ou mais léptons leves, utilizando aprendizado de máquina não supervisionado em dados de colisões próton-próton de 13 TeV coletados pelo detector ATLAS, onde nenhum excesso significativo foi observado e foram estabelecidos novos limites para vários modelos, incluindo léptons vetoriais com sabor.

O essencial

🕵️‍♂️ A Caça ao "Invisível": Uma Busca por Novas Regras no Universo

Imagine que o Modelo Padrão da física é como um manual de instruções gigante e muito bem escrito que explica como tudo no universo funciona: como as partículas se movem, como a luz brilha e como a matéria se forma. Esse manual foi escrito ao longo de décadas e é incrivelmente preciso.

Mas, assim como em qualquer manual antigo, sabemos que ele não explica tudo. Existem "buracos" na explicação: o que é a matéria escura? Por que o universo tem mais matéria que antimatéria? Por que as partículas têm massas tão diferentes?

Os físicos do experimento ATLAS (no Grande Colisor de Hádrons, ou LHC, na Suíça) decidiram fazer uma busca por "novas regras" que não estão no manual. Eles não queriam procurar por uma coisa específica (como procurar apenas por um tipo de pássaro), mas sim olhar para o céu inteiro para ver se algo estranho aparecia.

1. O Grande Colisor: A Fábrica de Caos

Pense no LHC como uma pista de corrida onde dois trens de partículas (prótons) colidem em velocidades próximas à da luz. Quando eles batem, é como se você jogasse dois relógios complexos um contra o outro em alta velocidade. O resultado é uma explosão de peças (partículas) voando para todos os lados.

A maioria dessas peças é "comum" (elétrons, múons, etc.). Mas, às vezes, a física prevê que podem surgir peças "exóticas" que nunca vimos antes.

2. O Detetive Cego: Detecção de Anomalias

O problema é: se você não sabe exatamente o que está procurando, como você sabe o que é estranho?

Aqui entra a grande inovação deste trabalho: Detecção de Anomalias com Inteligência Artificial.

• A Analogia da Festa: Imagine que você está em uma festa onde todos os convidados são conhecidos e se comportam de uma maneira previsível (o "Modelo Padrão"). De repente, alguém entra vestindo um terno de banana ou dançando de cabeça para baixo.
• O Método Antigo: Os físicos costumavam dizer: "Vamos procurar alguém vestindo um terno de banana". Se ninguém estivesse usando um, eles não encontrariam nada.
• O Método Novo (Anomalia): Neste artigo, os físicos ensinaram um computador (uma IA) a aprender como é o comportamento "normal" da festa. Eles mostraram milhões de fotos de convidados normais. Depois, o computador começou a olhar para as novas fotos e gritar: "Ei! Essa pessoa aqui está fora do padrão!"

O computador não sabe o que é a anomalia, ele só sabe que é diferente do que ele viu antes. Isso permite encontrar coisas que os físicos nem imaginavam que poderiam existir.

3. O Foco: A "Festa" de 4 ou Mais Leptons

Para fazer essa busca, eles focaram em eventos onde saem 4 ou mais "leptons" (partículas leves como elétrons e múons) voando.

• Por que isso? Na "festa" do LHC, é muito raro sair 4 ou mais dessas partículas de uma vez se for apenas o "comportamento normal". É como se, na maioria das vezes, saíssem 2 ou 3 pessoas da pista. Se você vê 4 ou 5 voando juntas, é um sinal de que algo muito energético e estranho aconteceu.
• Eles analisaram 140 trilhões de colisões (140 fb⁻¹ de dados), o equivalente a assistir a milhões de horas de vídeo de colisões.

4. O Resultado: Silêncio, mas com Lições Importantes

Após analisar todos os dados com essa "IA detetive", o resultado foi: Nenhuma nova partícula foi encontrada.

• O que isso significa? Significa que, até agora, o "Manual de Instruções" (Modelo Padrão) continua funcionando perfeitamente para explicar o que vimos. Não houve "pássaros de terno de banana" na festa.
• Mas não foi um fracasso! É como procurar um tesouro e não achá-lo. Você descobre que o mapa antigo estava correto para aquela área. Isso é muito importante porque:
  1. Estabelece Limites: Agora sabemos que certas teorias sobre novas partículas (como "Leptons Vetoriais" ou "Supersimetria") não podem existir com certas massas. Se elas existissem, a IA teria visto.
  2. Primeira Vez: Esta é a primeira vez que essa técnica de "detecção de anomalias" foi usada em finalidades com múltiplos léptons. Foi um teste de sucesso da metodologia.
  3. Novas Regras: Eles conseguiram colocar limites (regras) em modelos teóricos que nunca tinham sido testados antes, como o modelo de "Leptons Vetoriais com Sabor".

5. Conclusão Simples

Os cientistas do ATLAS usaram uma inteligência artificial superpoderosa para olhar para uma montanha de dados de colisões de partículas, procurando por qualquer coisa que não se encaixasse no padrão conhecido.

Embora não tenham encontrado "novas físicas" (partículas desconhecidas) nesta busca específica, eles provaram que essa nova ferramenta funciona muito bem. Eles limparam o terreno, dizendo: "Se essas novas partículas existem, elas não podem ser tão leves quanto pensávamos".

É como dizer: "Não encontramos o monstro no lago, mas sabemos agora que, se ele existir, ele não pode ser pequeno e rápido como imaginávamos." A busca continua, e agora com ferramentas ainda mais afiadas!

Resumo técnico

Título: Busca por Física Além do Modelo Padrão com Detecção de Anomalias em Estados Finais Multileptônicos em Colisões $pp$a$\sqrt{s}=13$ TeV com o Detector ATLAS

1. Problema e Motivação

O Modelo Padrão (MP) da física de partículas descreve com precisão fenomenológica a maioria dos dados colisionais, mas permanece incompleto, não explicando questões como a hierarquia de massas, a origem das massas dos neutrinos, a assimetria bariônica e a natureza da matéria escura. A busca tradicional por Física Além do Modelo Padrão (BSM) foca em modelos específicos, o que pode levar a perder assinaturas de cenários BSM não previstos.
Este trabalho aborda a necessidade de uma busca agnóstica ao modelo (model-agnostic) que possa cobrir uma ampla gama de estados finais possíveis sem assumir uma teoria específica. O foco recai sobre estados finais com alta multiplicidade de léptons leves (elétrons e múons), especificamente 4 ou mais léptons ($\ge 4\ell$), pois esses canais possuem um fundo do Modelo Padrão relativamente baixo, tornando-os ideais para a descoberta de novos fenômenos.

2. Metodologia

A análise utiliza dados de colisões próton-próton coletados pelo detector ATLAS no LHC durante o Run 2 (2015–2018), correspondendo a uma luminosidade integrada de 140 fb$^{-1}$.

• Seleção de Eventos: São selecionados eventos com pelo menos quatro léptons leves ($e$ ou $\mu$). Os eventos são divididos em três canais ortogonais baseados na carga total e multiplicidade:
  • $4\ell$ com carga total $Q=0$.
  • $4\ell$ com carga total $Q=\pm 2$.
  • $\ge 5\ell$.
• Técnica de Detecção de Anomalias (AD): A inovação central deste trabalho é a primeira aplicação de detecção de anomalias não supervisionada em estados finais multileptônicos no LHC.
  • Algoritmo: Utiliza-se Normalizing Flows (fluxos normalizadores), especificamente o modelo RealNVP, para estimar a densidade de probabilidade dos eventos de fundo do Modelo Padrão.
  • Treinamento: O modelo é treinado exclusivamente em simulações de Monte Carlo (MC) do fundo do MP.
  • Pontuação de Anomalia: A densidade de probabilidade calculada é transformada em uma "pontuação de anomalia" ($s(x)$). Eventos com baixa probabilidade (outliers) recebem pontuações altas, indicando possíveis sinais BSM.
  • Variáveis de Entrada: O fluxo é treinado com variáveis cinemáticas de alto nível, como a soma das transversais dos léptons ($H_{lep}^T$), energia transversal faltante ($E_T^{miss}$), massas invariantes de pares de léptons e pontuações de b-tagging (identificação de jatos com quarks bottom).
• Estratégias de Análise:
  1. Busca Independente do Modelo: Divide os dados em "regiões de descoberta" baseadas em cortes na pontuação de anomalia (rejeitando 90%, 99%, 99,9% do fundo). Compara-se a contagem de dados observados com a expectativa do fundo.
  2. Busca Dependente do Modelo: Realiza um ajuste simultâneo (fit) em todas as regiões de benchmark, utilizando a distribuição da pontuação de anomalia para testar sensibilidade a modelos específicos.

3. Contribuições Chave

• Primeira Aplicação em Multileptons: Este é o primeiro trabalho a aplicar detecção de anomalias não supervisionada em estados finais com múltiplos léptons no LHC, expandindo o uso dessa técnica para além de estados focados em jatos.
• Limites Agnósticos: Estabelecimento de limites no "corte visível" ($\sigma_{vis}$) para cada região de descoberta, permitindo reinterpretações futuras por qualquer modelo teórico.
• Novos Limites em Modelos Específicos:
  • Leptons Vetoriais (VLLs): Limites estabelecidos pela primeira vez para o modelo de VLLs "flavorful" (que permitem violação de sabor leptônico e decaimentos para escalares complexos).
  • SUSY: Limites atualizados para charginos e neutralinos tipo-wino e para smuons em cenários de violação de paridade R (RPV).
• Validação de Fundo: Uso de cinco regiões de controle (CRs) ortogonais para normalizar os principais fundos (como $ZZ$, $t\bar{t}Z$, $WZ$ e léptons não-prompt) diretamente nos dados, garantindo a robustez da estimativa de fundo.

4. Resultados

• Observação de Dados: Não foi observada nenhuma evidência significativa de desvio em relação às expectativas do Modelo Padrão em nenhuma das regiões de descoberta ou de benchmark.
• Significância Estatística: O maior excesso observado foi de $2\sigma$ local nas regiões $Q=\pm 2$ e $0Z$ com pontuação $>99.9\%$, resultando em uma significância global de 0.90$\sigma$ (considerando o efeito "look-elsewhere").
• Limites de Exclusão (Modelo-Dependente):
  • VLLs Singlet ($VLL^S$): Excluídos até massas de ~290-320 GeV.
  • VLLs Doublet ($VLL^D$): Excluídos até massas de ~850-925 GeV.
  • VLLs Flavorful: Pela primeira vez, excluídos para massas de VLL até 1300 GeV (para elétrons) e 1280 GeV (para múons), dependendo da massa do escalar associado.
  • SUSY (Wino-like): Charginos excluídos até 1600 GeV.
  • SUSY (Smuon): Massas de smuons excluídas até 495 GeV (para $\Delta m > 140$ GeV), superando a sensibilidade de buscas dedicadas anteriores em certas regiões do espaço de parâmetros.

5. Significância

Este trabalho demonstra a viabilidade e o poder da detecção de anomalias não supervisionada como uma ferramenta complementar às buscas tradicionais baseadas em modelos. Ao não assumir uma forma específica de sinal, a análise consegue cobrir um espaço de fase mais amplo e identificar regiões de interesse que poderiam ser negligenciadas por buscas direcionadas.
A imposição de limites competitivos (e em alguns casos superiores) para modelos de Leptons Vetoriais e Supersimetria, especialmente a primeira exclusão para o modelo de VLLs flavorful, valida a estratégia de usar Machine Learning para explorar dados complexos de alta dimensionalidade no LHC. A metodologia estabelecida serve como um marco para futuras buscas de nova física em canais multileptônicos e em outros estados finais complexos.