Probing the Higgs Portal to a Strongly-Interacting Dark Sector at the FCC-ee

本文提出了一种利用图神经网络探测未来环形对撞机中来自禁闭暗扇区的希格斯诱导半可见喷注的机器学习策略，展示了在广泛参数空间内将奇异希格斯分支比约束至千分之一水平的能力。

要点

想象宇宙是一座巨大而繁忙的城市。我们对这座城市的“可见”部分知之甚少——建筑物、行人、车辆和交通。这就是物理学家所称的标准模型。但我们同样知道，有一个庞大的、不可见的“暗区”隐藏在阴影中，构成了城市大部分的质量（暗物质），然而我们从未见过来自那里的任何人。

本文提出了一种利用名为FCC-ee（未来环形对撞机）的超级显微镜来一窥这个隐形街区的方法，该对撞机计划在未来建造。

以下是他们搜索故事的简要说明：

1. 秘密隧道（希格斯门户）

科学家们提出，希格斯玻色子（几年前发现的一种著名粒子）就像一条连接我们可见城市与不可见暗区的秘密隧道或“门户”。

如果这条隧道存在，希格斯玻色子偶尔可能会衰变（分解），不是变成我们熟知的普通粒子，而是变成“暗夸克”。这些是暗世界的构建基石。

2. “半可见”幽灵（半可见喷注）

一旦这些暗夸克被创造出来，它们就不会单独存在。它们立即开始一场混乱的派对，就像一滴墨水在水中扩散一样。这个过程被称为“强子化”。

• 问题：产生的部分暗粒子是稳定且不可见的（它们像幽灵一样飞走）。另一些则是不稳定的，并衰变回我们可以看到的普通粒子（如光或电子）。
• 结果：科学家们预期的不是干净、不可见的信号，而是“半可见喷注”。想象一下烟花爆炸。通常，你会看到整个爆发。但在这种情况下，烟花爆炸后，一半的火花是可见光，而另一半则是瞬间消失的不可见烟雾。你看到的是一场混乱的、部分的爆炸。

3. 两种情景：“重”与“轻”

团队意识到这种情况主要有两种发生方式，他们需要不同的策略来寻找它们：

• 情景 A：“重”不可见（高不可见分数）
  在这里，大多数暗粒子是不可见的幽灵。爆炸留下了大量的缺失能量。

  • 策略：这就像寻找一个带着沉重保险箱逃跑的小偷。你很容易发现他们，因为保险箱从房间里消失了。科学家们使用简单的数学（运动学）来寻找能量大量未解释的事件。这种方法效果很好。

• 情景 B：“轻”不可见（低不可见分数）
  在这里，大多数暗粒子衰变回可见物质。爆炸看起来几乎和普通的烟花一模一样，只有一点点不可见的烟雾。

  • 问题：这就像寻找一个偷走一枚硬币的小偷。房间看起来和以前几乎一样，所以很难判断是否发生了盗窃。“缺失能量”太小，无法成为有用的线索。

4. 超级智能侦探（图神经网络）

为了捕捉“轻”不可见的小偷（情景 B），科学家们不能仅仅查看能量。他们需要查看爆炸的形状。

他们使用了一种名为**图神经网络（GNN）**的人工智能。将这种 AI 想象成一位大师级侦探，他不仅看“什么”爆炸了，还看它是“如何”爆炸的。

• 类比：想象你有两堆彩纸屑。一堆是由人扔出的（普通粒子），另一堆是由机器扔出的（暗半可见喷注）。在肉眼看来，它们看起来像随机的彩色碎片。但 AI 会查看每一片彩纸屑的“家谱”——它们如何分裂、如何移动以及它们如何相互关联。
• AI 学习到“暗”彩纸屑具有一种普通彩纸屑所没有的独特且混乱的模式。这使得科学家即使在缺失能量极小的情况下也能发现信号。

5. 结果：一种强大的新透镜

论文得出结论，这种组合策略极其强大：

• 对于“重”不可见案例：简单的能量检查效果极佳。
• 对于“轻”不可见案例：AI“超级侦探”至关重要。如果没有它，信号就会淹没在背景噪声中。有了它，科学家们甚至可以在这些奇异事件极其罕见的情况下检测到它们。

核心结论：
作者表明，未来的 FCC-ee 对撞机利用这种简单物理检查与先进 AI 的混合，可以以极高的精度探测希格斯玻色子与暗区之间的联系。他们有可能在千分之一（千分位）的水平上排除（或发现）这些暗相互作用。这将是理解我们宇宙“暗区”实际面貌的巨大进步。

技术摘要

技术摘要：在 FCC-ee 上探测强相互作用暗扇区的希格斯门户

问题陈述
标准模型（SM）无法解释暗物质（DM）和中微子质量等现象，暗示了“暗扇区”（DS）的存在。隐藏山谷（HV）情景提出一个强耦合的暗扇区，通过媒介子（可能包括希格斯玻色子）与标准模型相互作用。如果希格斯玻色子衰变为暗夸克（$q_d$），随后的暗禁闭和强子化过程可产生“半可见喷注”（SVJs）。这些末态包含可见的标准模型粒子（来自不稳定的暗强子）和不可见粒子（稳定的暗强子）的混合物。虽然高丢失能量信号是可探测的，但在强子对撞机上，由于 QCD 活动强烈，不可见态比例（$r_{inv}$）较低的 SVJs 会模仿标准模型背景。本研究探讨了利用未来环形对撞机（FCC-ee）的电子 - 正电子模式探测这些信号的潜力，利用其干净的环境和减少的 QCD 背景。

方法论
该研究在 HV 框架内构建了基准模型，其中希格斯玻色子作为通往暗 $SU(3)_d$ 扇区的门户。分析了两种不同的机制：

1. 高-$r_{inv}$ 机制：受暗物质遗迹丰度驱动，该情景假设大部分暗强子是稳定的。模型包含暗π介子（$\pi_d$）、矢量介子（$\rho_d$）和 $\eta'_d$，并具有衰变到标准模型轻子、夸克和光子的特定通道。不可见分数 $r_{inv}$ 是一个依赖于强子化参数（$p_v, p_\eta, \Lambda$）的导出量。
2. 低-$r_{inv}$ 机制：一种模型无关的参数化方法，其中 $r_{inv}$ 是显式输入参数，暗簇射主要由衰变为标准模型粒子或不可见粒子的暗π介子组成。

模拟与分析策略

• 事例生成：使用带有隐藏山谷模块的 Pythia8 生成信号（$e^+e^- \to ZH \to \ell^+\ell^- q_d\bar{q}_d$）和背景（$ZZ, WW, ZH$）事例，并通过 Delphes3 中的 IDEA 探测器参数化进行模拟。质心能量设定为 240 GeV，积分亮度为 10.8 ab$^{-1}$。
• 运动学选择：基于干净的 $Z \to \ell^+\ell^-$ 反冲拓扑选择事例。选择条件包括轻子隔离、双轻子质量（$85 < m_{\ell\ell} < 95$ GeV）和希格斯反冲质量（$120 < m_{rec} < 130$ GeV）。
  • 对于高-$r_{inv}$，选择条件包括丢失能量（$30 < E_{miss} < 90$ GeV）和方位角分离（$\min \Delta\phi < 1.7$）。
  • 对于低-$r_{inv}$，由于 $E_{miss}$ 不足以进行区分，应用更严格的 $\Delta\phi$ 截断（$< 0.7$）以抑制如 $WW$ 等背景。
• 机器学习（GNN）：为了解决运动学截断失效的低-$r_{inv}$ 信号挑战，作者采用了图神经网络（LundNet）。该标记器将喷注表示为编码完整聚类历史、节点运动学（$k_t, \Delta, z, \psi, m$）和粒子类型能量分数（$f_e, f_\mu, f_\gamma, f_h$）的 Lund 图。该网络区分 SVJ 子结构与标准模型 QCD 喷注。

主要贡献与结果

• 高-$r_{inv}$ 下的灵敏度：仅靠运动学选择即可提供良好的信号 - 背景分离，对奇异希格斯分支比（$BR(H \to q_d\bar{q}_d)$）的灵敏度达到百分之一水平。引入 GNN 标记器将灵敏度提高了近三个数量级，达到千分之一水平（$O(10^{-2}\%)$）。
• 低-$r_{inv}$ 下的灵敏度：在不可见分数较小的机制中，标准运动学截断效果不佳，因为它们会剔除过多信号或无法抑制背景。GNN 标记器在此至关重要，恢复了灵敏度，并使得在整个参数空间内对 $BR(H \to q_d\bar{q}_d)$ 的约束可达千分之一水平。
• 耦合约束：将这些分支比限制转化为对希格斯 - 暗夸克耦合（$y$）的约束，研究发现预期的 95% 置信度上限在参数空间范围内从 $4.1 \times 10^{-4}$ 到 $1.3 \times 10^{-3}$。
• 背景抑制：研究表明，FCC-ee 环境免受 LHC 典型的大量 QCD 背景干扰，允许精确识别 SVJs。GNN 有效地利用了喷注子结构的差异，特别是轻子和光子的能量分数以及伪喷注的数量，以区分信号与标准模型 $ZH$和$ZZ$ 背景。

意义
该论文声称，所提出的策略有效地探测了 FCC-ee 上希格斯门户暗扇区的广泛参数空间。它强调，虽然优化的运动学选择足以应对高丢失能量情景，但现代喷注子结构标记（特别是 GNN）对于发现或约束以可见末态为主的模型至关重要。结果表明，FCC-ee 可以将希格斯衰变到暗夸克的奇异分支比约束在千分之一水平，显著超越当前的 LHC 限制（约 18%）。作者指出，简化的建模策略可扩展到强子对撞机（FCC-hh, LHC）以进行互补搜索，尽管本研究具体聚焦于 $e^+e^-$ 环境。