Search for resonances decaying to an anomalous jet and a Higgs boson in proton-proton collisions at $\sqrt{s}$ = 13 TeV

本文利用 CMS 实验在 13 TeV 质子 - 质子对撞中采集的 138 fb⁻¹数据，通过自编码器异常评分技术识别反常喷注，对衰变为希格斯玻色子和反常粒子 Y 的新共振态 X 进行了搜索，在 1.4 至 3.0 TeV 的质量范围内未发现显著超出标准模型背景的信号，并给出了目前最严格的截面上限。

要点

这篇论文来自欧洲核子研究中心（CERN）的 CMS 合作组，简单来说，它讲述了一场**“在巨大的粒子对撞机中，寻找隐藏的新物理宝藏”**的探险故事。

为了让你更容易理解，我们可以把整个实验想象成在一个**巨大的、嘈杂的“宇宙超级市场”**里寻找特定的“神秘商品”。

1. 背景：我们在找什么？

• 超级市场（LHC 对撞机）： 科学家把质子（一种基本粒子）加速到接近光速，然后让它们像两列高速火车一样对撞。这会产生巨大的能量，瞬间“炸”出无数新的粒子。
• 标准模型（已知商品）： 我们目前对宇宙的理解（标准模型）就像超市里明码标价的商品清单。我们知道这里有苹果（电子）、香蕉（夸克）等。
• 新物理（神秘宝藏）： 但是，宇宙中还有很多未解之谜（比如暗物质）。科学家怀疑，在那些已知的“苹果”和“香蕉”背后，可能藏着一些从未见过的“外星水果”。

2. 核心故事：寻找“神秘组合”

这篇论文主要是在寻找一种特定的**“神秘组合”**：

• X（重粒子）： 想象有一个非常重的、未知的“大怪兽”（粒子 X）。
• H（希格斯玻色子）： 这个大怪兽分裂后，其中一个孩子是我们已经知道的“希格斯玻色子”（H）。它非常特别，喜欢变成一对“底夸克”（就像希格斯喜欢变成一对双胞胎）。
• Y（另一个神秘孩子）： 大怪兽分裂后的另一个孩子（粒子 Y），这才是我们最想知道的。它可能变成各种奇怪的东西，比如一对 W 玻色子，或者一对顶夸克，甚至可能是一个普通的顶夸克。

挑战在于： 当这些粒子产生时，它们跑得太快了（速度极快），导致它们分裂出来的碎片挤在一起，看起来就像两个巨大的、模糊的“能量团”（在物理上叫“大半径喷注”），而不是清晰的单个粒子。

3. 侦探工具：如何从垃圾堆里找出宝藏？

面对海量的数据（就像在垃圾堆里找针），科学家用了两个聪明的“侦探工具”：

工具一：PARTICLENET（希格斯识别器）

• 作用： 这是一个超级 AI 识别器。
• 比喻： 想象你在两个巨大的能量团中，其中一个必须是“希格斯双胞胎”（底夸克对）。PARTICLENET 就像一位经验丰富的老侦探，它拿着放大镜，仔细检查能量团的内部纹理，确认：“是的，这个能量团确实是由一对底夸克组成的，它是希格斯！”
• 结果： 只要确认了希格斯，我们就排除了很多噪音，锁定了目标的一半。

工具二：自动编码器（AE，异常检测器）

• 作用： 这是一个用来找“异类”的 AI。
• 比喻： 想象超市里 99% 的顾客都是普通市民（普通夸克或胶子产生的喷注），他们走路姿势都很正常。
  • 这个 AI 被训练去背诵普通市民走路的样子。
  • 当一个新的能量团（粒子 Y 的候选者）出现时，AI 会尝试“模仿”它。
  • 如果这个能量团是普通的，AI 能轻松模仿，“异常分数”很低。
  • 如果这个能量团是“外星水果”（新物理粒子），它的内部结构很怪，AI 模仿得很吃力，“异常分数”就会很高。
• 妙处： 我们不需要预先知道“外星水果”长什么样。只要它长得“怪”，AI 就会报警。这让我们能同时搜索多种未知的 Y 粒子。

4. 实验过程：大海捞针

科学家收集了 2016 到 2018 年对撞产生的海量数据（相当于 138 个“费米”的亮度，想象成 138 亿次超级爆炸）。

1. 筛选： 先挑出那些能量极高、且包含“希格斯双胞胎”的事件。
2. 打分： 用 AI 给剩下的那个“神秘能量团”（Y）打分。分数越高，越可能是新物理。
3. 对比： 科学家把真实数据画成图，和“标准模型”预测的背景噪音进行对比。

5. 结果：虽然没有抓到“怪兽”，但划定了“禁区”

• 好消息： 在所有的数据中，没有发现明显的“异常分数”堆积。也就是说，没有看到那种“外星人”突然出现的迹象。
• 坏消息（对怪兽而言）： 虽然没有抓到，但这并不是失败。
• 科学意义： 就像侦探虽然没抓到凶手，但他通过排查，排除了凶手可能藏身的 100 个房间。
  • 这篇论文给出了目前最严格的限制：如果那个神秘的“大怪兽 X"和“神秘孩子 Y"存在，它们的质量必须在某些特定范围之外，或者它们产生的概率必须非常非常低（低于某个数值，比如 0.3 到 15.8 飞靶恩，这是一个极小的概率单位）。

总结

这篇论文就像是一次**“宇宙寻宝”**：

• 我们带着希格斯探测器（确认一半线索）和异常检测 AI（寻找另一半线索）。
• 我们在 138 次超级对撞的废墟中仔细搜寻。
• 虽然这次没有发现新粒子，但我们成功地画出了一张更精确的“藏宝图”，告诉未来的物理学家：“在这个区域，新粒子肯定不存在；你们可以去更远的地方找。”

这就是科学进步的方式：即使没有找到新东西，排除错误答案本身也是巨大的成就。

技术摘要

这是一份关于 CMS 合作组在 CERN 进行的粒子物理实验论文的详细技术总结。该论文发表于 2026 年 2 月（arXiv:2509.13635v2），标题为《在 13 TeV 质子 - 质子碰撞中搜索衰变为反常喷注和希格斯玻色子的共振态》。

1. 研究问题 (Problem)

标准模型（SM）虽然在实验观测中取得了巨大成功，但仍无法解释暗物质的本质、宇宙重子不对称性等问题，暗示存在超出标准模型（BSM）的新物理。

• 核心目标：寻找一种新的重共振态粒子 $X$，它衰变为一个希格斯玻色子（$H$）和一个新粒子 $Y$（$X \to HY$）。
• 衰变模式：
  • $H$ 衰变为一对底夸克（$b\bar{b}$），在高能下表现为一个大半径喷注（Large-Radius Jet, $R=0.8$）。
  • $Y$ 粒子衰变产生另一个大半径喷注。$Y$ 可能是标准模型粒子（如顶夸克）或 BSM 粒子（如标量粒子、矢量类夸克等）。
• 挑战：传统的共振态搜索通常针对特定的 $Y$ 衰变模式（如 $Y \to WW$ 或 $Y \to tt$），这限制了搜索的广度。如何在不对 $Y$ 的具体性质做过多假设的情况下，同时搜索多种可能的 $Y$ 衰变场景，是该研究面临的主要挑战。

2. 方法论 (Methodology)

该分析利用了 CMS 实验在 2016-2018 年采集的 13 TeV 质子 - 质子碰撞数据，积分亮度为 138 fb$^{-1}$。

A. 事件选择与重建

• 触发器：基于高横动量（$p_T$）的大半径喷注（AK8）和标量横动量总和（$H_T$）的触发器。
• 离线选择：
  • 选择两个领头 AK8 喷注，$p_T > 300$ GeV，$|\eta| < 2.4$。
  • 双喷注不变质量 $M_{jj} > 1300$ GeV。
  • 希格斯候选喷注的软降质（Soft-drop mass）在 100-150 GeV 范围内。
• 喷注标记：
  • 希格斯候选者 ($H$)：使用 ParticleNet 算法（基于图神经网络的喷注标记器）来区分 $b\bar{b}$ 喷注和 QCD 背景喷注。根据 ParticleNet 分数将事件分为"Pass"（通过）和"Fail"（失败）区域。
  • 新粒子候选者 ($Y$)：使用 自编码器 (Autoencoder, AE) 计算反常分数（Anomaly Score）。AE 将喷注表示为 32x32 的图像（$\eta-\phi$ 空间），通过压缩和重构输入来学习典型 QCD 喷注的特征。非 QCD 喷注（如来自 BSM 衰变或 $t\bar{t}$）的重构误差较大，从而产生高反常分数。
  • 根据 AE 分数将事件分为“测量区 (MR)"和“控制区 (CR)"。

B. 统计模型与背景估计

• 正交区域：分析定义了四个正交区域（CR Pass, CR Fail, MR Pass, MR Fail）。搜索主要在 MR Pass 区域进行。
• 背景估计：
  • 非共振背景（主要是 QCD 多喷注）通过 Pass-to-Fail 比率法 进行估计。利用 Fail 区域（主要由 QCD 主导）的数据来预测 Pass 区域中的背景分布。
  • 比率 $R_{P/F}$ 被建模为 $M_{jj}$ 和 $M_{Y_j}$ 的多项式函数，并通过拟合数据确定。
  • $t\bar{t}$ 和标准模型希格斯背景通过模拟模板进行约束。
• 搜索策略：在 $M_{jj}$（对应 $X$ 质量）和 $M_{Y_j}$（对应 $Y$ 质量）的二维平面上寻找局域化的信号过剩。

C. 基准情景 (Benchmark Scenarios)

为了验证分析性能，考虑了四种基准信号模型：

1. 主基准：$Y$ 为标量粒子，衰变为 $W^+W^-$（全强子衰变）。
2. 次要基准 1：$Y$ 为标量粒子，衰变为轻夸克对 ($q\bar{q}$)。
3. 次要基准 2：$Y$ 为标量粒子，衰变为顶夸克对 ($t\bar{t}$)。
4. 次要基准 3：$Y$ 为顶夸克，源自矢量类夸克（Vector-like Quark）的衰变（$X \to tH$）。

3. 关键贡献 (Key Contributions)

1. 模型无关的 $Y$ 粒子搜索：首次结合针对 $H \to b\bar{b}$ 的针对性标记（ParticleNet）和针对 $Y$ 粒子的模型无关异常检测（自编码器），实现了在单一分析中同时搜索多种 $Y$ 衰变模式。
2. 高灵敏度：通过利用希格斯玻色子的强鉴别力（$b$-tagging）和异常检测的通用性，显著提高了对包含希格斯玻色子衰变链的新物理场景的灵敏度。
3. 洛伦兹增强区的覆盖：该分析专门针对 $X$ 和 $Y$ 质量较大（$M_X \in [1.4, 3.0]$ TeV, $M_Y \in [90, 400]$ GeV）的洛伦兹增强区域，此时衰变产物高度准直，必须使用大半径喷注技术。
4. 首次搜索：针对 $Y \to t\bar{t}$ 的洛伦兹增强区搜索是首次进行的。

4. 研究结果 (Results)

• 观测结果：在数据中未观察到超出标准模型背景预期的显著过剩。
• 统计显著性：在考察的 42 个质量点中，最大局部显著性出现在 $M_X = 1600$ GeV 和 $M_Y = 90$ GeV 处，仅为 2.1 个标准差（$\sigma$），与背景假设一致（CR 和 MR 拟合的 p 值分别为 0.59 和 0.26）。
• 上限设定：
  • 在 95% 置信水平（CL）下，对主基准模型（$X \to H(bb)Y(WW)$）的截面设置了上限。
  • 排除范围：对于不同的 $M_X$ 和 $M_Y$，上限截面在 0.3 fb 到 15.8 fb 之间。
  • 在 $M_X$ 较低且 $M_Y$ 较高的区域（左上角），由于洛伦兹增强效应减弱，$Y$ 的衰变产物可能无法合并为单个喷注，导致选择效率下降，上限变宽。
  • 对于其他三种基准模型（$Y \to uu, tt, bqq'$），也设定了目前最严格的排除上限。
• 对比：与 ATLAS 的类似无监督/弱监督搜索相比，本分析在特定质量范围内设定了更严格的上限，这主要归功于对 $H \to b\bar{b}$ 的针对性要求带来的高信噪比。

5. 意义 (Significance)

• 新物理探索的范式转变：该工作展示了如何将“针对性搜索”（Targeted Search）与“模型无关异常检测”（Model-agnostic Anomaly Detection）相结合。这种方法既保留了寻找特定理论模型（如 NMSSM 或矢量类夸克）的灵敏度，又具备发现未知衰变模式的潜力。
• 技术验证：成功验证了自编码器（Autoencoder）在强子对撞机复杂背景中识别非典型喷注子结构的有效性，为未来高亮度 LHC（HL-LHC）的通用新物理搜索提供了重要的技术基础。
• 理论约束：结果对多种 BSM 理论模型（如超对称扩展、矢量类夸克模型等）中的参数空间施加了新的、更严格的限制，排除了部分参数区域。
• 数据公开：分析结果和训练好的自编码器权重已上传至 HEPData，供社区进一步研究使用。

总结：这篇论文代表了高能物理实验在利用机器学习技术进行通用新物理搜索方面的重大进展。它通过巧妙的实验设计，在保持对特定理论模型高灵敏度的同时，实现了对未知物理现象的广泛覆盖，且未观测到显著的新物理信号，从而为理论模型设定了新的边界。