Search for Higgs bosons produced in association with a high-energy photon via vector-boson fusion and decaying to a pair of $b$-quarks in the ATLAS detector

利用 133 fb$^{-1}$的 13 TeV 质子 - 质子对撞数据，ATLAS 合作组采用改进的分析技术，对通过矢量玻色子融合产生并伴随高能光子且衰变为 $b\bar{b}$ 的标准模型希格斯玻色子进行了搜寻，测得信号强度为 $0.2 \pm 0.7$，观测显著性为 0.3 个标准差，与仅背景假设一致。

要点

以下是 ATLAS 合作组论文的通俗化解读，辅以一些富有创意的类比。

全景图：在风暴中猎捕幽灵

想象大型强子对撞机（LHC）是一场规模宏大、速度极快的赛车比赛，粒子就是赛车。当它们相撞时，会产生一场混乱的碎片爆炸。物理学家正试图在那场爆炸中找到一辆非常特定且罕见的“幽灵”赛车：希格斯玻色子。

希格斯玻色子因赋予其他粒子质量而闻名，但捕捉它非常棘手。它通常会瞬间衰变（瓦解）成一对底夸克（我们称之为"b 夸克”）。问题在于，赛道上散落着数百万来自普通碰撞的其他"b 夸克”碎片。寻找希格斯玻色子，就像试图在一堆一百万颗完全相同的红色弹珠中，辨认出特定的一颗红色弹珠。

新策略：“闪光灯”技巧

在这项新研究中，ATLAS 团队决定改变搜索策略。他们不再仅仅寻找红色弹珠，而是决定寻找在碰撞发生的精确时刻被强光手电筒照射过的那颗红色弹珠。

• 手电筒：这是一颗高能光子（光粒子）。
• 技巧：在这些碰撞的物理学中，如果希格斯玻色子与光子一同产生，其发生方式非常特定，称为矢量玻色子融合（VBF）。这个过程很罕见，但它拥有一种超能力：它能自然地抑制“噪声”（背景碎片）。
• 结果：通过要求必须有光子存在，团队过滤掉了 99% 的垃圾。这就像在黑暗拥挤的房间里打开聚光灯；突然间，你要找的那个特定的人在黑暗背景中显得格外清晰。

侦探工作：升级工具

团队使用了 2015 年至 2018 年的数据（133 个“逆飞靶”的数据，这是一种花哨的说法，意指“海量的碰撞记录”）。为了找到信号，他们不得不升级侦探工具箱：

1. 神经网络（超级神探）：在之前的搜索中，他们使用标准的决策树（如流程图）来猜测哪些事件是希格斯玻色子。在这篇论文中，他们升级到了神经网络（一种人工智能）。可以把旧方法想象成遵循检查清单的初级侦探，而新的神经网络则是一位经验丰富的侦探，能够纵观全局、感知模式，并发现检查清单会遗漏的微妙线索。
2. 更好的背景建模：他们意识到他们对“垃圾”背景的计算机模拟并不完美。他们开发了一种新方法来自我“重加权”模拟，本质上是在寻找信号之前，教会计算机更准确地模仿现实世界的噪声。
3. 直接拟合：他们不再仅仅统计有多少事件落入“希格斯区域”，而是观察 AI 置信度分数的整个分布。这就像不仅仅是统计有多少人符合描述，而是分析人群中每一个人是嫌疑人的概率。

结果：寂静的房间

在将所有数据输入他们全新的高科技系统后，他们发现了以下内容：

• 预期：基于标准模型（我们最好的物理理论），他们预期会看到一个显著性为1.5 个标准差的信号。用侦探术语来说，这意味着他们预期有一个“强烈的暗示”或一个“可能的嫌疑人”，但还不足以逮捕任何人。
• 现实：他们观测到的信号强度为0.2（相对于预测值）。统计显著性仅为0.3 个标准差。
• 解读：这本质上是一个“零结果”。就像侦探看着嫌疑人名单说：“在这里，我没有看到任何比随机巧合更符合描述的人。”数据看起来几乎与背景噪声完全一致。

为什么这很重要（即使他们没有发现）

你可能会问：“如果他们没找到，为什么要写这篇论文？”

1. 证明方法有效：他们成功展示了他们新的“闪光灯 + 人工智能”策略是有效的。他们表明他们可以极其精确地模拟背景噪声，并且他们的新工具比旧工具更灵敏。
2. 设定基准：他们测得的“信号强度”为 0.2 ± 0.7。这意味着真实值很可能在 -0.5 到 +0.9 之间。由于标准模型预测值为 1.0，他们的结果与理论兼容（在误差范围内），但这也不能证明理论是正确的。
3. 为未来铺路：这项分析是一次彩排。他们在此完善的技巧——特别是神经网络和背景建模——现在已准备好应用于未来更多的数据。他们正在为下一次狩猎磨砺刀具。

核心结论

ATLAS 团队利用庞大的数据集，使用巧妙的“光子标记”来清理噪声，并部署了超级智能的人工智能来寻找希格斯玻色子。这一次，他们没有发现确凿的突破（信号太微弱，无法与随机波动区分开来），但他们证明了他们的新方法非常强大，已准备好迎接下一轮比赛。他们仍在寻找，而且比以往任何时候都更聪明。

技术摘要

技术摘要：在 ATLAS 探测器中通过矢量玻色子融合产生并衰变为一对$b$夸克的高能光子伴随希格斯玻色子搜寻

问题与动机
搜寻标准模型（SM）希格斯玻色子衰变为一对$b$夸克（$H \to b\bar{b}$）极具挑战性，这主要是由于非共振量子色动力学（QCD）多喷注背景过于庞大。尽管$H \to b\bar{b}$衰变是主导模式，但要将其分离出来需要显著的背景抑制。本分析针对矢量玻色子融合（VBF）拓扑结构下希格斯玻色子与高能光子的伴随产生（$H\gamma$）。要求存在伴随光子具有两个关键作用：它提供了干净的触发特征，并且通过初态辐射与末态辐射图之间的破坏性干涉效应，显著降低了非共振 QCD 多喷注背景。此外，在存在伴随光子的情况下，VBF 成为主导的希格斯玻色子产生机制，超越了胶子 - 胶子融合（$ggH$）。该通道提供了一个独特的机会，以更近距离地研究$HWW$相互作用和 VBF 产生动力学，因为$ZZ$融合受到类似的干涉效应抑制。

方法
本分析利用了 ATLAS 探测器在运行 2（2015–2018）期间收集的、质心系能量$\sqrt{s} = 13$ TeV 的 133 fb$^{-1}$质子 - 质子对撞数据。

• 事例选择：目标特征包括两个来自希格斯衰变的$b$标记喷注、两个额外的不变质量较高的喷注（VBF 候选喷注）以及一个高能孤立光子。选择光子横动量$p_T > 30$ GeV、至少两个$p_T > 40$ GeV 的$b$标记喷注以及两个$p_T > 40$ GeV 的额外喷注的事例。VBF 候选喷注对的不变质量要求超过 800 GeV。为了与其他分析保持正交性，包含$p_T > 25$ GeV 的孤立电子或μ子的事例被剔除。
• 信号与背景建模：信号事例（$H \to b\bar{b} + \gamma$）使用 MadGraph5_aMC@NLO 和 Herwig 7 在次领头阶（NLO）进行模拟。主要背景是非共振的$b\bar{b}\gamma jj$和$c\bar{c}\gamma jj$产生，使用 MadGraph5_aMC@NLO 和 Pythia 8 在领头阶（LO）进行建模。同时也包含了顶夸克（$t\bar{t}$）和$Z\gamma jj$背景。
• 多变量分析（MVA）：与以往分析相比的一个关键改进是用密集连接的神经网络（NN）替代了提升决策树（BDT）。该 NN 利用 14 个运动学输入变量（包括双$b$喷注不变质量$m_{bb}$、喷注多重性以及角关联）进行训练，以区分类信号事例和背景。NN 输出分数被用作主要判别量。
• 背景建模与重加权：为解决控制区（定义为$m_{bb}$侧带）中数据与蒙特卡洛（MC）模拟之间的差异，针对主导的$b\bar{b}\gamma jj$和$c\bar{c}\gamma jj$背景提取了运动学重加权尺度因子。这些因子源自 14 个 NN 输入变量的数据与 MC 分布之比，并应用于 MC 样本以改善一致性。
• 统计分析：直接在信号区（$100 \le m_{bb} \le 150$ GeV）和控制区的 NN 输出分数分布上执行分箱最大似然拟合。该拟合同时提取希格斯信号强度（$\mu_H$）和主导非共振背景的归一化。系统不确定性，包括理论建模、部分子簇射变化以及实验效应（喷注能量标度、$b$标记效率），通过 78 个干扰参数纳入。

主要贡献与改进
与以往在该通道中的 ATLAS 搜寻相比，本分析引入了若干方法学进步：

1. 神经网络分类器：与之前使用的 BDT 相比，使用深度神经网络提供了更优越的信号 - 背景区分能力。
2. 直接拟合策略：与以往拟合$m_{bb}$分布的方法不同，本分析直接从 NN 分数分布中提取信号强度，仅利用$m_{bb}$来定义信号区和控制区。这减少了与背景形状参数化相关的建模系统不确定性。
3. 增强的背景建模：对主导非共振背景实施运动学重加权，显著改善了控制区中数据与模拟之间的一致性。
4. 更大的 MC 样本：使用显著更大的模拟样本来处理主要背景，降低了与 MC 模板相关的统计不确定性。

结果
本分析得出的观测到的希格斯玻色子信号强度相对于标准模型预测值为$\mu_H = 0.2 \pm 0.7$。在标准模型假设下的预期信号强度为$1.0 \pm 0.7$。

• 显著性：观测到的显著性为 0.3 个标准差（$\sigma$），而假设标准模型下的预期显著性为 1.5$\sigma$。
• 背景归一化：拟合后主导非共振背景的归一化约为领头阶 MC 估计值的 85%。
• 拟合优度：拟合得出的$p$值为 30%，表明数据与背景加信号模型之间具有良好的符合度。
• 不确定性：总不确定性主要由统计限制（0.57）主导，其次是 MC 背景模板统计（0.25）和理论/建模不确定性（0.24）。

意义
该论文得出结论，虽然未观测到 VBF $H(b\bar{b}) + \gamma$过程的显著证据，但该分析展示了比以往测量更高的灵敏度。1.5$\sigma$的预期显著性代表了相对于同一通道先前完整运行 2 分析的近 50% 的改进。 modest 的结果（观测值为 0.3$\sigma$）与标准模型预期一致，这归因于较小的产生截面和数据集的统计限制。该研究验证了新多变量技术、运动学重加权和直接拟合策略的有效性，为利用完整运行 2 数据集及未来的搜寻建立了稳健的框架。结果在不确定性范围内与先前的测量（$\mu_H = 1.3 \pm 1.0$）相容。