Model-independent measurement of the Higgs boson associated production with two jets and decaying to a pair of W bosons in proton-proton collisions at $\sqrt{s}$ = 13 TeV

该论文利用 CMS 探测器在 13 TeV 质子 - 质子对撞中收集的 138 fb⁻¹数据，通过机器学习构建对信号假设无偏的判别变量，对伴随双喷注产生并衰变为 W 玻色子对的希格斯玻色子过程进行了模型无关的微分截面测量，并据此在标准模型有效场论框架下约束了希格斯玻色子的耦合参数。

要点

这篇论文讲述的是欧洲核子研究中心（CERN）的 CMS 实验团队，如何利用巨大的粒子对撞机，像“侦探”一样去研究希格斯玻色子（Higgs boson）的一个非常特殊的“行为模式”。

为了让你更容易理解，我们可以把这篇论文的内容想象成一场**“寻找希格斯玻色子跳舞秘密”的侦探行动**。

1. 背景：我们在找什么？

• 希格斯玻色子：它是 2012 年发现的“上帝粒子”，负责给其他粒子赋予质量。就像是一个巨大的“舞台”，其他粒子在上面跑动时会变重。
• 这次的任务：科学家发现希格斯玻色子经常和两个“喷气背包”（也就是两个喷注/Jets，由夸克或胶子形成）一起出现。这就像希格斯玻色子在舞台上跳舞时，身边总跟着两个伴舞。
• 关键线索：科学家特别关注这两个“伴舞”（喷注）之间的角度关系。在标准模型（目前的物理教科书）里，它们的角度分布应该是比较均匀的。但如果物理学教科书有错误（存在“新物理”），这两个伴舞的站位就会变得很奇怪，比如它们会刻意避开某些角度，或者喜欢挤在某个角度。

2. 侦探工具：如何在不“作弊”的情况下破案？

这是这篇论文最精彩、最创新的地方。

• 传统方法的困境：以前，科学家在分析数据时，通常会先假设“希格斯玻色子一定是按照教科书（标准模型）跳舞的”。然后他们拿着这个假设去过滤数据。但这有个大问题：如果希格斯玻色子其实跳的是“街舞”（新物理），而科学家手里拿的是“芭蕾舞”的滤镜，他们可能会把真正的异常信号误认为是噪音，或者把噪音当成信号。这就好比戴着有色眼镜找线索，容易看走眼。
• 本论文的“黑科技”：为了打破这个限制，CMS 团队开发了一种**“盲测”方法**。
  • 他们使用了一种叫**“对抗性神经网络”**（Adversarial Neural Network）的人工智能技术。
  • 比喻：想象有两个 AI 在打架。
    • AI 侦探（分类器）：它的任务是区分“希格斯信号”和“背景噪音”（比如普通的粒子碰撞）。
    • AI 考官（对抗者）：它的任务是猜“这个希格斯信号是哪种跳舞风格（CP 偶或 CP 奇）？”
    • 训练过程：AI 侦探拼命想区分信号和噪音，但 AI 考官会不断给它施压：“如果你能猜出跳舞风格，说明你太依赖某种特定假设了，扣分！”
    • 结果：最终，AI 侦探学会了一种**“万能视角”**。它只关注“这是不是希格斯信号”，而完全不在乎希格斯具体是怎么跳的。这样，无论希格斯实际上是在跳芭蕾还是街舞，AI 都能公平地把它找出来。

3. 行动过程：数据与筛选

• 数据来源：他们分析了 2016 到 2018 年，在 13 TeV 能量下对撞产生的海量数据（相当于 138 个“飞秒”的亮度，数据量巨大）。
• 筛选目标：他们只抓那些希格斯玻色子衰变成两个 W 玻色子，进而变成一个电子、一个μ子（一种重电子）和一堆“看不见的能量”（中微子，表现为缺失横动量）的事件。
• 核心测量：他们测量了那两个“伴舞”（喷注）之间的方位角差（$\Delta\Phi_{jj}$）。
  • 如果两个喷注像钟表的 3 点和 9 点（角度差 $\pi$），或者 12 点和 6 点（角度差 0），这代表什么？
  • 如果它们像 1 点和 7 点（角度差 $\pi/2$），这又代表什么？
  • 通过统计这些角度分布，科学家就能画出希格斯玻色子“跳舞”的轨迹图。

4. 发现与结论：教科书对吗？

• 测量结果：科学家成功绘制出了希格斯玻色子产生截面（可以理解为“跳舞的频率”）随角度变化的详细图表。
• 新物理的线索：他们发现，目前的测量结果与“标准模型”的预测非常吻合。也就是说，希格斯玻色子目前看来，还是乖乖地按照教科书在跳“芭蕾”。
• 约束新理论：虽然没发现新物理，但这篇论文非常有价值。它像一把更精准的尺子，量出了如果存在“新物理”（比如希格斯玻色子有某种奇怪的 CP 破坏性质），这种性质必须非常微弱，否则早就被我们抓到了。
• 有效场论（SMEFT）：他们用这些数据给各种“新物理理论”（用威尔逊系数表示）画出了“禁区”。就像是在地图上标出：“如果新物理存在，它只能在这个很小的圈子里活动，再大就不行了。”

5. 总结：为什么这很重要？

这篇论文就像是在说：

“我们发明了一种不带任何偏见的超级显微镜（对抗性 AI），重新检查了希格斯玻色子和两个喷注的互动。虽然目前还没发现它‘出轨’（违反标准模型），但我们已经把它看得非常清楚了。如果未来它真的跳起了奇怪的舞步，我们现在的方法能确保我们第一时间发现，而不会因为我们自己的先入为主而视而不见。”

一句话概括：
CERN 团队用一种**“不预设答案”的 AI 智能算法**，极其精准地测量了希格斯玻色子与两个喷注的互动角度，证实了它目前依然符合标准模型，同时也为寻找未来的新物理设立了更严格的“警戒线”。

技术摘要

这是一份关于欧洲核子研究中心（CERN）CMS 合作组最新论文《Model-independent measurement of the Higgs boson associated production with two jets and decaying to a pair of W bosons in proton-proton collisions at √s = 13 TeV》（在 13 TeV 质子 - 质子碰撞中测量希格斯玻色子与双喷注关联产生并衰变为一对 W 玻色子的模型无关微分截面）的详细技术总结。

1. 研究背景与问题 (Problem)

• 物理目标：希格斯玻色子（H）与规范玻色子（V）的相互作用（HVV）是标准模型（SM）的核心部分。然而，超出标准模型（BSM）的新物理可能通过反常耦合（Anomalous Couplings, ACs）修改这种相互作用，特别是引入 CP 破坏效应。
• 关键观测量：在矢量玻色子融合（VBF）和伴随初始态辐射（ISR）的胶子融合（ggH）过程中，两个前导喷注（jets）之间的**有符号方位角差（$\Delta\Phi_{jj}$）**是探测 HVV 顶点 CP 性质的最敏感观测量之一。
  • 纯 CP 偶（CP-even）反常耦合会导致 $\Delta\Phi_{jj} = \pm\pi/2$ 处截面被抑制。
  • 纯 CP 奇（CP-odd）反常耦合会导致 $\Delta\Phi_{jj} = 0, \pm\pi$ 处截面被抑制。
  • 标准模型（SM）预测该分布大致平坦。
• 现有挑战：传统的测量方法通常依赖于特定的信号假设（如仅使用 SM 模板进行拟合）。如果真实物理过程偏离 SM（例如存在反常耦合），这种依赖会导致测量结果出现偏差（Bias），从而限制了对新物理的重新解释能力。因此，需要一种**模型无关（Model-independent）**的测量方法，以减少对信号假设的依赖。

2. 方法论 (Methodology)

该分析基于 CMS 探测器在 2016-2018 年采集的数据，对应积分亮度为 138 fb⁻¹，质心能量 $\sqrt{s} = 13$ TeV。

• 信号选择：
  • 衰变道：$H \to WW^* \to e\nu\mu\nu$（不同味双轻子道，即一个电子和一个μ子）。
  • 特征：要求存在两个高横动量（$p_T > 30$ GeV）的喷注，且双喷注不变质量 $m_{jj} > 120$ GeV。
  • 区域定义：定义了信号区（SR）和两个控制区（CR：顶夸克 CR 和 Drell-Yan CR），用于约束背景归一化。
• 模型无关分类算法（核心创新）：
  • 为了消除对特定信号假设的依赖，论文采用了对抗深度神经网络（Adversarial Deep Neural Network, ADNN）。
  • 架构：包含一个分类器（Classifier, C）和一个对抗器（Adversary, A）。
    • 分类器：旨在区分信号和背景。
    • 对抗器：试图从分类器的特征表示中推断出信号的具体物理假设（如不同的 CP 耦合参数）。
  • 训练策略：通过竞争性训练，分类器被惩罚如果其输出对特定的信号假设敏感。这使得分类器学习到的特征对 HVV 耦合参数是“不可知”（agnostic）的，从而确保拟合变量的形状在不同 BSM 假设下保持稳定。
  • 分别训练了两个网络：VBF-ADNN（针对 VBF 过程）和 GGH-ADNN（针对 ggH 过程）。
• 测量流程：
  • 在探测器接受度（fiducial volume）内进行测量，避免外推至全相空间。
  • 利用 ADNN 的得分分布作为拟合变量，通过最大似然拟合同时提取 VBF 和 ggH 过程的微分截面。
  • 使用反卷积（unfolding）技术校正探测器效应，直接对比物理模型。
• 理论框架：结果在标准模型有效场论（SMEFT）框架下重新解释，限制 Warsaw 基中的 Wilson 系数。

3. 主要贡献 (Key Contributions)

1. 模型无关测量的实现：首次在该衰变道和喷注关联产生中，利用对抗学习技术实现了高度模型无关的微分截面测量。这种方法显著降低了将测量结果重新解释为 BSM 信号时的偏差。
2. $\Delta\Phi_{jj}$ 微分截面的精确测量：作为 $\Delta\Phi_{jj}$ 的函数，分别测量了 VBF 和 ggH 产生机制的希格斯玻色子微分截面。这是对该物理过程最细致的探测之一。
3. SMEFT 约束：利用微分截面数据，对多个 Wilson 系数（包括 CP 偶和 CP 奇算符，如 $c_{HW}, c_{H\tilde{W}}, c_{HG}, c_{H\tilde{G}}$ 等）给出了严格的限制。
4. 不对称性测量：测量了 $\Delta\Phi_{jj}$ 分布的不对称性（Asymmetry），作为探测 CP 破坏的补充探针。

4. 研究结果 (Results)

• 微分截面测量：
  • 在四个 $\Delta\Phi_{jj}$ 区间内测量了 VBF 和 ggH 的截面。
  • 结果显示数据与标准模型预测在统计误差范围内一致。
  • 在部分区间（如 ggH 的某些 bin），由于统计涨落，拟合出的截面值可能为负或误差范围跨越零，这被解释为统计处理的 artifacts，而非物理截面。
• 模型依赖性评估：
  • 通过伪数据（pseudodata）测试，发现传统的深度神经网络（无对抗组件）会导致 20-70% 的模型依赖性偏差。
  • 引入 ADNN 后，模型依赖性降低了 30-70%，剩余偏差主要源于接受度效应，且小于总不确定度。
• 不对称性结果：
  • 测得的 $\Delta\Phi_{jj}$ 不对称性 $A = -0.43^{+0.27}_{-0.32}$。
  • 该结果与标准模型预测（$A=0$）兼容，p 值为 11%。
• SMEFT 限制：
  • 所有测量的 Wilson 系数（包括 $c_{HW}, c_{H\tilde{W}}, c_{HB}, c_{H\tilde{B}}, c_{HG}, c_{H\tilde{G}}$ 等）的最佳拟合值均与标准模型（系数为 0）兼容。
  • 在 68% 和 95% 置信水平（CL）下，未发现显著偏离标准模型的证据。
  • 对 $c_{HW}$ 和 $c_{Hj3}$（来自 VBF）以及 $c_{HG}$（来自 ggH）给出了最严格的限制。

5. 科学意义 (Significance)

• 验证标准模型：在极高精度下再次确认了希格斯玻色子与规范玻色子的相互作用符合标准模型预测，未发现明显的 CP 破坏或反常耦合迹象。
• 方法论突破：该研究展示了对抗机器学习在高能物理数据分析中的强大潜力。通过构建对信号假设“不可知”的判别变量，极大地提高了测量结果在解释新物理时的鲁棒性和通用性。这为未来 LHC 运行及高亮度 LHC（HL-LHC）时代的复杂分析提供了重要的技术范式。
• 新物理探索：虽然未发现新物理，但该分析通过微分分布提供了比总截面更丰富的信息，对 BSM 模型的参数空间进行了更精细的排除，特别是针对涉及 CP 破坏的算符。
• 数据公开：测量结果已发布在 HEPData 中，可供全球物理学家用于各种新物理模型的重新解释和全局拟合。

总结：这篇论文代表了希格斯物理分析的一个里程碑，它不仅提供了关于希格斯玻色子性质的最新精确数据，更重要的是引入并验证了一种能够最大限度减少理论假设偏差的先进分析方法，为未来探索超越标准模型的新物理奠定了坚实基础。