Light Dark Matter Discovery Potential and Model Selection at LDMX

Resumo Técnico: Potencial de Descoberta de Matéria Escura Leve e Seleção de Modelos no LDMX

Problema e Motivação
Buscas baseadas em aceleradores oferecem uma via competitiva para detectar matéria escura (DM) leve, sub-GeV, complementando os esforços de detecção direta. O Experimento de Matéria Escura Leve (LDMX) foi projetado para sondar este regime medindo a energia e o momento transversal dos elétrons de recuo em colisões elétron-núcleo de alta intensidade, buscando uma assinatura de momento ausente indicativa da produção de um fóton escuro ($A'$) e subsequente decaimento invisível em um par de DM. Embora o LDMX vise melhorar as restrições sobre o parâmetro de mistura cinética $\epsilon$ em ordens de magnitude, um arcabouço estatístico rigoroso é necessário para avaliar seu potencial de descoberta, capacidades de inferência de parâmetros e habilidade de distinguir entre hipóteses concorrentes do setor escuro. Isso é particularmente crítico dado os baixos números esperados de eventos nas regiões de sinal, que tornam as aproximações estatísticas assintóticas padrão não confiáveis.

Metodologia
Os autores desenvolvem um arcabouço estatístico baseado em verossimilhança abrangente para o LDMX, aplicável a análises frequentistas e bayesianas. O núcleo da metodologia envolve uma função de verossimilhança em bins construída sobre o espaço bidimensional do elétron de recuo de energia ($E_{e^-}$) e momento transversal ($|p_T|_{e^-}$).

• Modelagem de Sinal e Fundo: Eventos de sinal são simulados usando MadGraph5_aMCNLO para processos de bremsstrahlung escura ($e^- N \to e^- N A', A' \to \chi \chi^*$). Os fundos são modelados com base em interações fotonucleares e bremsstrahlung de fótons, assumindo distribuições de energia e momento transversal não correlacionadas para o fundo. Ambas as distribuições de sinal e fundo são suavizadas para contabilizar os efeitos de resolução do detector.
• Arcabouço Estatístico:
  • Frequentista: O estudo emprega razões de verossimilhança de perfil para determinar limites de exclusão projetados (90% C.L.), significância de descoberta ($5\sigma$) e estimativa de parâmetros por máxima verossimilhança. Devido à baixa contagem de bins, os autores rejeitam aproximações assintóticas (teorema de Wilks) em favor da geração de experimentos pseudo-Monte Carlo completos (toy MC) para derivar distribuições de estatística de teste.
  • Bayesiana: O arcabouço utiliza amostragem aninhada dinâmica (via dynesty) para computar distribuições posteriores e evidência Bayesiana. Parâmetros de incerteza (normalização de sinal e fundo) são marginalizados usando priors log-normais, com a largura da incerteza do fundo tratada como um hiperparâmetro.
• Comparação de Modelos: Para avaliar o poder de seleção de modelos, os autores comparam o modelo padrão de mistura cinética (KM) com modelos de Momento Eletromagnético Escuro (DEM), incluindo dipolos magnéticos/elétricos (M, E), raio de carga (C) e momento anapolo (A). A discriminação de modelos é quantificada usando o fator de Bayes ($K$), avaliado com e sem uma restrição de prior sobre a densidade de relíquia.

Principais Contribuições

1. Arcabouço Estatístico Robusto: O artigo estabelece um arcabouço de verossimilhança especificamente projetado para o LDMX que incorpora incertezas sistemáticas e evita aproximações assintóticas não confiáveis através do uso de pseudo-experimentos. Este arcabouço destina-se à aplicação direta aos dados reais do LDMX.
2. Análise Bidimensional: O estudo demonstra a importância crítica de utilizar a distribuição de recuo bidimensional completa ($E_{e^-}, |p_T|_{e^-}$) em vez de análises de apenas energia. A informação de forma na dimensão do momento transversal aumenta significativamente o poder de discriminação.
3. Avaliação de Referência (Benchmark): A análise avalia a sensibilidade do LDMX em quatro pontos de referência ao longo do alvo de relíquia térmica para DM escalar complexa, focando especificamente em razões de massa $R \equiv m_{A'}/m_{DM} = 2.5$ e $2.2$, que permanecem viáveis após restrições recentes de detecção direta (ex: DAMIC-M, PANDAX-4T) que excluíram $R \gtrsim 3$.

Resultos

• Exclusão e Descoberta:
  • Na ausência de um sinal, projeta-se que o LDMX exclua o alvo de relíquia térmica para $R \gtrsim 2.2$ em toda a faixa de massa $m_{A'} \in [10^{-3}, 0.2]$ GeV.
  • Para descoberta, os benchmarks no alvo $R=2.5$ (Benchmarks 1 e 3) mostram forte significância projetada ($\gg 5\sigma$) em ambos os cenários de baixo ($N_{BG}=1$) e alto ($N_{BG}=100$) fundo.
  • Os benchmarks no alvo mais desafiador $R=2.2$ (Benchmarks 2 e 4) rendem significâncias medianas ligeiramente abaixo de $5\sigma$ no cenário de baixo fundo e significativamente menores no cenário de alto fundo, indicando que a descoberta de $5\sigma$ não é garantida para estes pontos.
• Estimativa de Parâmetros:
  • Para os benchmarks de $R=2.5$, o LDMX pode recuperar a mistura cinética $\epsilon$ e a massa do mediador $m_{A'}$ com alta precisão e exatidão (incertezas relativas $\sim 10\%$) em ambos os cenários de fundo.
  • Para os benchmarks de $R=2.2$, a inferência de parâmetros é menos confiável devido aos pequenos rendimentos de sinal e flutuações de Poisson, resultando em maiores variâncias e, em alguns casos, restrições não informativas.
• Discriminação de Modelos:
  • A análise bidimensional fornece um poder de discriminação substancialmente maior (aproximadamente uma ordem de magnitude superior em $\ln K$) comparado às análises de apenas energia.
  • Enquanto modelos com formas espectrais idênticas (pares M/E e C/A) são indistinguíveis, o modelo KM é distinguível dos modelos DEM.
  • No entanto, quando modelos compartilham a mesma forma espectral mas diferem em normalização (ex: KM vs. C/A), eles são estatisticamente indistinguíveis via fator de Bayes isoladamente. Aplicar um prior de densidade de relíquia sobre a força de acoplamento torna essas hipóteses anteriormente indistinguíveis estatisticamente separáveis.
  • O estudo destaca que a especificação incorreta do modelo pode levar a grandes vieses na inferência de parâmetros mesmo quando o fator de Bayes está próximo de zero, enfatizando a necessidade de identificação correta do modelo.

Significância e Alegações
O artigo afirma que o arcabouço estatístico desenvolvido é essencial para traduzir contagens brutas de eventos em conclusões físicas robustas para o LDMX. Ele sustenta que o LDما LDMX Fase II não apenas sondará o espaço de parâmetros viável da relíquia térmica para DM escalar complexa leve com forte sensibilidade de exclusão e descoberta, mas também será capaz de caracterizar a interação do setor escuro subjacente se um excesso for observado. Os autores enfatizam que suas ferramentas foram projetadas para serem diretamente aplicáveis aos dados reais do LDMX e podem ser estendidas a outros experimentos de momento ausente (ex: Lohengrin, DarkSHINE) e análises de verossimilhança combinada através do programa experimental de DM leve mais amplo. O trabalho ressalta que a modelagem precisa das distribuições de sinal e fundo, juntamente com uma compreensão profunda das incertezas de normalização, são críticas para futuras análises do LDMX.