Disentangling Dark Gauge Symmetries with Deep Learning on the Lund Jet Plane

Resumo Técnico: Desentrelaçando Simetrias de Gauge Escuras com Aprendizado Profundo no Plano de Jet de Lund

Enunciado do Problema
Embora setores escuros com novas simetrias de gauge confinantes sejam candidatos convincentes para Matéria Escura (DM), discernir experimentalmente a estrutura do grupo de gauge escuro subjacente (por exemplo, distinguir entre $SU(N)$, $SO(N)$e$Sp(2N)$) permanece um desafio fenomenológico significativo. A maioria dos estudos existentes assume que o setor escuro espelha a estrutura QCD $SU(3)$ do Modelo Padrão. No entanto, estruturas teóricas como Naturalidade Neutra e modelos de Higgs Composto permitem grupos de Lie arbitrários. Distinguir entre esses grupos não-abelianos é difícil porque suas diferenças se manifestam em variações sutis nos padrões de radiação de partons, que são ainda mais obscurecidos por dinâmicas de hadronização não-perturbativas desconhecidas. Geradores de eventos atuais (por exemplo, Pythia8, Herwig7) frequentemente carecem da flexibilidade para simular grupos de gauge arbitrários ou lidar com bósons de gauge escuros massivos com precisão cinemática exata.

Metodologia
Os autores desenvolvem um framework abrangente combinando uma nova simulação de Monte Carlo (MC) com aprendizado profundo avançado para decodificar padrões de radiação de setores escuros.

1. Chuva de Partons de Monte Carlo Generalizada:

   • Identificação Teórica de Grupo (Group-Theoretic Tagging): Os autores constroem um framework de simulação aplicável a grupos de gauge arbitrários ($SU(N)$, $SO(N)$, $Sp(2N)$). Eles implementam um procedimento de "identificação teórica de grupo" onde os partons carregam rótulos discretos de grupo de gauge; dipolos de cor são formados entre emissores e espectadores com tags conjugadas correspondentes, generalizando a imagem padrão de fluxo de cor da QCD.
   • Cinemática Exata: Para lidar com quarks escuros massivos e bósons de gauge escuros, o framework emprega uma parametrização de espaço de fase de três corpos exata. Em vez de depender de aproximações de massa nula, o algoritmo resolve analiticamente a equação cinemática cúbica para cada ramificação. Isso captura efeitos de massa totais, incluindo limiares de "cone morto" (dead-cone) e lacunas induzidas por massa no espaço de fase.
   • Recuo Local (Local Recoil): Um esquema de recuo local é usado, onde o espectador absorve o recuo longitudinal, garantindo a conservação exata do quadrimomento sem prescrições ad hoc.
   • Acoplamentos Correntes (Running Couplings): A simulação incorpora a evolução da Equação do Grupo de Renormalização (RGE) do acoplamento escuro $\alpha(\mu)$, que varia significativamente dependendo do grupo de gauge específico e do número de sabores ($N_f$).

2. Representação de Dados e Arquitetura de Rede:

   • Plano de Jet de Lund (LJP): Os constituintes finais do jet são mapeados no Plano de Jet de Lund, uma representação 2D ($\ln(1/\Delta)$ vs. $\ln(k_T)$) que separa a radiação perturbativa da hadronização não-perturbativa.
   • Rede Neural de Ordenação Mamba (NS-MambaNet): Para classificar jets, os autores utilizam uma arquitetura de aprendizado profundo especializada. O processo envolve:
     • Codificação de Conjunto (Set Encoding): Tratar a árvore do jet como um conjunto não ordenado de nós (vetores de características de 10 dimensões por nó) processados por autoatenção baseada em Transformer.
     • Ordenação Neural (Neural Sorting): Um Ordenador Neural Multi-Cabeça prevê estratégias de ordenação ideais para converter o conjunto não ordenado em $K$ representações sequenciais.
     • Backbone Mamba: Essas sequências são processadas por 6 camadas Mamba (Modelos de Espaço de Estado Seletivos) para capturar eficientemente correlações causais na história de emissão com complexidade de tempo linear.
     • Fusão e Agrupamento (Pooling): Um módulo de Fusão Controlada (Mistura de Especialistas) integra as sequências ordenadas, seguido por Agrupamento de Atenção de Consulta (Query Attention Pooling) para gerar um embedding global do jet para classificação.

Principais Contribuições

• Framework de Simulação: O desenvolvimento do primeiro framework de chuva de partons de Monte Carlo capaz de simular grupos de gauge arbitrários com cinemática massiva exata e um esquema unificado de identificação de dipolo.
• Cinemática Massiva: A derivação e implementação de fronteiras de espaço de fase exatas para divisões massivas, modelando explicitamente o impacto de bósons de gauge escuros massivos na topologia do Plano de Jet de Lund.
• Arquitetura de Deep Learning: A introdução da NS-MambaNet, que lida efetivamente com a invariância de permutação de padrões de radiação enquanto captura a estrutura causal sequencial de chuvas de partons.
• Análise Sistemática: Uma investigação sistemática de padrões de radiação através de $SU(2)$, $SU(4)$, $Sp(4)$, $Sp(8)$, $SO(5)$e$SO(7)$ sob vários benchmarks de massa e cortes de infravermelho.

Resultados

• Limite de Massa Nula: No limite de massa nula ($m_V = 0$), a NS-MambaNet alcança alta precisão de classificação para grupos distintos (ex: 81% para $SU(2)$, 75% para $SO(5)$). Embora alguns grupos (ex: $SU(4)$, $Sp(8)$, $SO(7)$) mostrem degenerescência na classificação de jet único, a acumulação estatística permite a discriminação com nível de confiança (C.L.) de 95% com muito poucos jets (ex: 14 jets para $SU(4)$ vs. $Sp(8)$).
• Efeitos de Massa: A introdução de uma massa finita de bósons de gauge escuros ($m_V$) cria uma "ilha de radiação suave" distinta no LJP em baixas $k_T$. À medida que $m_V$ aumenta, o espaço de fase cinematicamente permitido encolhe e o poder de discriminação degrada-se, exigindo significativamente mais jets (ex: subindo de 20 para 123 jets para $SU(4)$ vs. $Sp(8)$ conforme $m_V$ vai de 0.1 GeV para 1.0 GeV).
• Robustez a Efeitos Não-Perturbativos: O modelo demonstra robustez contra incertezas não-perturbativas. Mesmo sob cortes de infravermelho $k_T$ rigorosos (ex: $k_T > 1.0$ GeV), o classificador mantém alta eficiência para a maioria dos pares. No entanto, pares com razões de Casimir semelhantes (ex: $SU(4)$ vs. $Sp(8)$) sofrem degradação significativa de desempenho quando as emissões suaves são removidas, pois a cauda suave é crucial para quebrar degenerescências de Casimir de ordem líder.

Significância
O artigo afirma que as pegadas perturbativas das simetrias de gauge escuras estão codificadas no espaço de fase multidimensional da chuva de partons e podem ser desentrelaçadas usando o framework proposto. O trabalho fornece um roteiro para a "fase de caracterização" pós-descoberta de um setor escuro. Ao combinar cinemática de precisão, representações de primeira ordem (LJP) e aprendizado profundo de estado da arte, os autores argumentam que experimentos futuros podem ir além da mera detecção de jets escuros para reconstruir a natureza ultravioleta da interação escura e decodificar as simetrias fundamentais que governam a Matéria Escura. O estudo observa explicitamente que, embora assuma que os constituintes do jet escuro sejam mensuráveis, as assinaturas fenomenológicas específicas (por exemplo, jets semi-visíveis) são dependentes de modelo e estão fora do escopo desta análise focada em discriminação.