Machine Learning Enhanced Detection of Higgs Chain Decays in Vector Boson Fusion

Este artigo demonstra que metodologias avançadas de Aprendizado Profundo aplicadas a dados de calorímetros de baixo nível podem alcançar uma significância estatística de aproximadamente 4,5σ na detecção de decaimentos em cadeia de bósons de Higgs CP-par pesados ($h_2 \to h_1h_1 \to b\bar b b\bar b$) produzidos via Fusão de Bósons Vetoriais dentro do Modelo Supersimétrico Próximo ao Mínimo no LHC com 300 fb$^{-1}$ de luminosidade integrada.

O essencial

Imagine o Grande Colisor de Hádrons (LHC) como um gigante esmagador de partículas em alta velocidade. Cientistas usam o LHC para colidir prótons para ver quais pequenos pedaços saem voando. Normalmente, eles estão procurando pelo "bóson de Higgs", uma partícula descoberta em 2012 que dá massa a outras partículas. Mas agora, eles querem ver se existem versões mais pesadas dessa partícula escondidas nos detritos.

Este artigo é sobre uma busca específica e complicada por uma partícula "fantasma" invisível e pesada (vamos chamá-la de H2) que pode ser criada de uma maneira muito específica e depois se divide imediatamente em dois bósons de Higgs menores e familiares (vamos chamá-los de H1).

Aqui está a história de como eles tentaram encontrá-la, explicada de forma simples:

1. A Configuração: A Fábrica "VBF"

Normalmente, quando o LHC colide partículas, o Higgs é produzido através da colisão de dois "glúons" pesados. Mas nesta pesquisa, os cientistas estão procurando por uma fábrica diferente: a Fusão de Bósons Vetoriais (VBF).

Pense na VBF como dois carros de alta velocidade (quarks) passando um pelo outro em uma rodovia. Eles não colidem diretamente; em vez disso, trocam um "bilhete" (um transportador de força) que cria uma partícula pesada (H2) no meio da estrada. Os dois carros continuam seguindo, mas são empurrados levemente para os lados, deixando dois "detritos" (jets) voando para frente e para trás. Esta é a assinatura da fábrica VBF.

2. O Mistério: A "Reação em Cadeia"

Uma vez que este H2 pesado é criado, ele não permanece por muito tempo. Ele decai (se quebra) instantaneamente em dois bósons de Higgs mais leves (H1).

• O Problema: Estes H1 estão se movendo incrivelmente rápido porque o H2 era muito pesado.
• O Resultado: Devido à alta velocidade, as duas partículas minúsculas dentro de cada H1 (que são "quarks bottom") ficam tão espremidas que parecem um único spray de detritos bagunçado, em vez de dois itens separados. Em termos de física, elas formam um "jet gordo" (fat jet).

Assim, os cientistas estão procurando por uma cena muito específica:

1. Dois jets de "detritos" voando para longe (frente/trás).
2. Dois "jets gordos" no meio, cada um contendo um spray oculto de quatro quarks bottom.

3. O Desafio: Procurar uma Agulha em um Palheiro

O problema é que o LHC produz bilhões de colisões "normais" a cada segundo. A maioria dessas colisões produz sprays aleatórios de quarks bottom que parecem exatamente com o sinal que os cientistas procuram. É como tentar encontrar um tipo específico e raro de floco de neve em uma nevasca onde 9% dos flocos parecem idênticos.

Os cientistas tentaram um método tradicional primeiro:

• Eles estabeleceram regras simples (como "os detritos devem pesar isso" ou "os jets devem estar a esta distância").
• Resultado: Foi um desastre. Eles encontraram apenas um pequeno indício do sinal (cerca de 1,7 vezes o ruído). Na ciência, você precisa de um "5-sigma" (5 vezes o ruído) para reivindicar uma descoberta. Eles estavam muito longe.

4. A Solução: O "Detetive de IA"

Como as regras simples não funcionaram, a equipe recorreu ao Aprendizado de Máquina (Machine Learning), especificamente um tipo de Aprendizado Profundo chamado Redes Neurais Convolucionais (CNNs).

Pense nos depósitos de energia no detector como uma fotografia digital (uma "imagem de jet").

• O Jeito Antigo: Medir o peso total e o tamanho da foto.
• O Jeito da IA: A IA observa a textura e o padrão da foto. Ela aprende a reconhecer a "impressão digital" única da quebra do pesado H2, mesmo que o peso total pareça semelhante ao ruído de fundo.

Eles treinaram a IA com milhões de colisões simuladas. A IA aprendeu a distinguir as sutis diferenças entre um spray de quarks "falso" e o decaimento real do pesado H2.

5. A Reviravolta: Mudando a Lente da Câmera

Os cientistas também testaram duas maneiras de agrupar as partículas em "jets" (as fotos):

1. Lente Fixa: Usando um tamanho padrão e imutável para o quadro da câmera.
2. Lente Variável: Usando uma câmera que aumenta ou diminui o zoom automaticamente dependendo da velocidade das partículas.

O Resultado:

• A IA usando a Lente Fixa melhorou o sinal para cerca de 2,8 vezes o ruído. Melhor, mas ainda não é uma descoberta.
• A IA usando a Lente Variável (que se adapta à velocidade das partículas) foi a vencedora. Ela elevou o sinal para 4,5 vezes o ruído.

A Conclusão

Embora não tenham alcançado o limiar de "5-sigma" para uma descoberta confirmada nesta simulação específica, eles provaram que o Aprendizado de Máquina é um divisor de águas.

• Sem IA: O sinal era invisível (1,7σ).
• Com IA: O sinal tornou-se alto e claro (4,5σ).

O artigo conclui que, se os dados reais do LHC se parecerem com a sua simulação, usar essas ferramentas avançadas de IA para observar a "textura" dos sprays de partículas poderá finalmente permitir que os cientistas encontrem essas partículas de Higgs pesadas com decaimento em cadeia. Isso sugere que a abordagem da "Lente Variável" é a melhor maneira de enxergar através do ruído do universo.

Resumo técnico

Resumo Técnico: Detecção de Decaimentos em Cadeia de Higgs Melhorada por Aprendizado de Máquina em Fusão de Bósons Vetoriais

Enunciado do Problema
A descoberta do bóson de Higgs de 125 GeV confirmou o Modelo Padrão (SM), mas deixou questões em aberto sobre Matéria Escura, assimetria matéria-antimatéria e o problema da hierarquia, necessitando de física Além do Modelo Padrão (BSM). A Supersimetria (SUSY), particularmente o Modelo Supersimétrico Não-Mínimo Próximo (NMSSM), oferece um arcabouço natural para abordar essas questões ao estender o setor de Higgs. Um interesse fenomenológico específico reside na produção de um bóson Higgs CP-par pesado ($h_2$) via Fusão de Bósons Vetoriais (VBF), que subsequentemente decai em um par de bósons Higgs semelhantes ao SM ($h_1$), cada um decaindo em um par de quarks $b$ ($h_2 \to h_1h_1 \to b\bar{b}b\bar{b}$).

Embora o canal de fusão de glúons-glúons (ggF) seja tipicamente dominante para a produção de Higgs, regiões específicas do espaço de parâmetros do NMSSM (como o Ponto de Referência C da Ref. [14]) suprimem o acoplamento da $h_2$ com quarks top, tornando a VBF o principal mecanismo de produção. No entanto, detectar este decaimento em cadeia específico é desafiador. O sinal envolve uma ressonância pesada ($m_{h_2} \approx 700$ GeV) decaindo em bósons Higgs mais leves e acelerados (boosted) ($m_{h_1} \approx 125$ GeV), resultando em um estado final com dois jatos de quarks leves para frente/trás e quatro quarks $b$ centrais. Análises convencionais de "corte e contagem" (cut-and-count) lutam para distinguir este sinal do fundo esmagador de multijetes QCD (especificamente $gg \to b\bar{b}b\bar{b}$), resultando em uma significância estatística muito abaixo do limiar de descoberta.

Metodologia
Os autores realizam um estudo de simulação de colisor a $\sqrt{s} = 14$ TeV usando o Ponto de Referência C do NMSSM ($m_{h_2} = 700$ GeV, $m_{h_1} = 126,2$ GeV). O pipeline de análise inclui:

1. Geração de Eventos e Simulação: Eventos de sinal ($qq \to qqh_2 \to qqh_1h_1 \to qqb\bar{b}b\bar{b}$) e eventos de fundo ($gg \to b\bar{b}b\bar{b}$) são gerados usando MadGraph5_aMC@NLO e PYTHIA8, seguidos de uma simulação rápida de detector com Delphes (cartão CMS).
2. Reconstrução de Objetos:
   • Jatos de Pequeno-R: O algoritmo Anti-$k_T$ ($R=0,4$) identifica jatos para frente/trás e sub-jatos com marcação de $b$ (b-tagged).
   • Jatos de Grande-R (Fat Jets): Para capturar os decaimentos acelerados $h_1 \to b\bar{b}$, jatos de grande-R são reconstruídos usando dois algoritmos: um de raio fixo ($R=1,2$) e um algoritmo de raio variável (escalonando $R$ de 0,4 para 2,0 com base no momento das constituintes).
   • Critérios de Seleção: Os eventos requerem pelo menos dois jatos para frente/trás satisfazendo a topologia VBF ($|\Delta\eta_{jj}| \ge 4,5$, $M_{jj} \ge 700$ GeV) e pelo menos dois jatos de grande-R na região central ($|\eta| < 2$, $p_T > 200$ GeV), cada um contendo pelo menos dois sub-jatos com marcação de $b$.
3. Arquitetura de Aprendizado de Máquina:
   • Imagens de Jatos: A distribuição de energia das constituintes dentro dos jatos de grande-R é convertida em imagens 2D nos planos $(\eta, \phi)$.
   • Modelo de Aprendizado Profundo: Uma arquitetura de Rede Neural Convolucional (CNN) de múltiplas camadas, inspirada no GoogLeNet, processa essas imagens de jatos. O modelo utiliza dois ramos de imagem paralelos (para os jatos de grande-R líder e sub-líder) para extrair vetores de características latentes.
   • Abordagem Híbrida: Para aumentar ainda mais a discriminação, um ramo separado processa variáveis cinemáticas de alto nível (por exemplo, massas invariantes de pares de jatos, frações de energia, separações angulares e medidas de simetria de sub-jatos). As saídas dos ramos de imagem e do ramo cinemático são concatenadas para a classificação final.

Principais Contribuições

• Sensibilidade VBF no NMSSM: O artigo demonstra que o canal de decaimento em cadeia $h_2 \to h_1h_1 \to 4b$ é acessível no modo de produção VBF, um cenário onde o acoplamento do Higgs pesado com quarks top é suprimido.
• Aplicação de Aprendizado Profundo: Introduz uma estratégia de Aprendizado Profundo especificamente adaptada para este decaimento em cadeia, utilizando imagens de jatos para capturar a subestrutura de decaimentos de Higgs acelerados.
• Comparação de Algoritmos: O estudo compara sistematicamente algoritmos de agrupamento de jatos de raio fixo e raio variável, mostrando que o agrupamento de raio variável captura melhor a física de objetos acelerados com diferentes escalas de momento.
• Integração Cinemática: Valida a eficácia da combinação de informações de baixo nível do calorímetro (imagens de jatos) com características cinemáticas de alto nível para maximizar a significância do sinal.

Resultados
A análise avalia o desempenho em uma luminosidade integrada de $300 \text{ fb}^{-1}$:

• Corte e Contagem (Cut-and-Count): Uma análise convencional usando cortes de janela de massa em torno de $m_{h_1}$ e $m_{h_2}$ produz uma significância estatística de apenas 1,7$\sigma$, insuficiente para descoberta.
• CNN em Imagens de Jatos (Raio Fixo): Usando apenas a CNN de múltiplas camadas em imagens de jatos, a significância melhora para 2,8$\sigma$.
• Modelo Híbrido (Raio Fixo): Combinar imagens de jatos com características cinemáticas aumenta a significância para 4,2$\sigma$ (caindo para 3,7$\sigma$ com 10% de incerteza sistemática).
• Modelo Híbrido (Raio Variável): A configuração ideal emprega o algoritmo de agrupamento de jatos de raio variável combinado com o modelo híbrido de CNN. Isso atinge uma significância estatística de 4,5$\sigma$ (mantendo 4,0$\sigma$ com 10% de incerteza sistemática).

Significância e Alegações
Os autores alegam que suas descobertas representam uma melhoria significativa em relação a estudos anteriores (especificamente a Ref. [14]) que analisaram o mesmo ponto de referência do NMSSM, mas focaram no canal $h_2 \to ZZ \to 4\ell$, encontrando menos de 1$\sigma$ de significância para esse modo no Run 3.

O artigo afirma que, ao alavancar metodologias avançadas de Aprendizado Profundo em dados de baixo nível do calorímetro, o modo de produção VBF para decaimentos em cadeia de Higgs pesados ($h_2 \to h_1h_1 \to 4b$) torna-se um canal de descoberta viável e competitivo no LHC Run 3, potencialmente oferecendo sensibilidade comparável ou superior ao canal ggF em cenários BSM específicos. Os autores defendem que o ATLAS e o CMS adotem essas estratégias de análise específicas (agrupamento de raio variável e CNNs híbridas) para investigar auto-acoplamentos de Higgs e física BSM no regime VBF.