Search for low-mass hidden-valley dark showers with non-prompt muon pairs in proton-proton collisions at $\sqrt{s}$ = 13 TeV

CMS 实验利用 13 TeV 质子 - 质子碰撞数据，通过非 prompt 双μ子共振态搜索未发现显著超出，从而对希格斯玻色子衰变至暗部分子的分支比设定了低至$10^{-4}$的严格上限，并扩展了暗扇区介子及双味暗 shower 模型在低质量区域的限制。

要点

这篇论文来自欧洲核子研究组织（CERN）的 CMS 实验团队，标题有点长，但我们可以把它想象成**“在宇宙大爆炸的余烬中，寻找一个隐藏的‘暗物质’派对”**。

简单来说，科学家们试图证明：除了我们肉眼可见的普通物质（像星星、行星、你和我），宇宙中还有一种看不见的“暗物质”。这篇论文就是去抓那些可能存在的、会“隐身”的暗物质粒子的证据。

下面我用几个生活中的比喻来拆解这篇论文的核心内容：

1. 核心任务：寻找“幽灵派对”

想象一下，希格斯玻色子（Higgs boson，被称为“上帝粒子”）是一个大富翁。平时它很低调，但偶尔会举办一场盛大的派对。

• 普通派对（标准模型）： 大富翁邀请的都是我们认识的客人（电子、光子等），大家都能看见。
• 暗物质派对（隐藏谷模型）： 大富翁偷偷邀请了一群“隐形人”（暗物质粒子）。这些隐形人进入了一个我们看不见的“暗房间”（暗夸克和暗胶子组成的世界）。在这个房间里，它们互相碰撞、组合，形成了一群新的“暗粒子”。
• 关键线索： 这群隐形人玩累了，想溜出来透透气。它们会把自己变成我们看得见的μ子（一种像电子但更重的粒子），然后从“暗房间”里跑出来。

这篇论文的任务就是： 在 LHC（大型强子对撞机）的碰撞现场，盯着那些**“迟到”的 μ子**。如果它们是从一个很远的地方（次级顶点）跑出来的，而不是直接从碰撞中心出来的，那就说明它们可能来自那个“暗房间”。

2. 为什么这次搜索很特别？（“数据停车”策略）

以前的搜索就像是在嘈杂的摇滚音乐会上找特定的声音，或者只盯着那些跑得飞快（高能量）的粒子。

• 以前的局限： 很多暗物质粒子可能很轻，跑得不快，或者能量很低。以前的“安检门”（触发器）太严格，把这些低能量的粒子直接过滤掉了，就像保安只抓大个子，放过了瘦小的嫌疑人。
• 这次的新招（B-parking）： 科学家这次玩了一个叫**“数据停车”**的策略。
  • 比喻： 想象你在高速公路上开车，平时只记录时速超过 100 公里的车。但这次，你决定把路障降低，把所有车（包括慢车）都先**“停”在路边（存入磁带）**，暂时不处理。等以后有空闲的电脑资源了，再慢慢把这些“停车”的数据拿出来分析。
  • 好处： 这样就能捕捉到那些质量很轻、跑得慢、但可能来自暗物质的粒子。这次分析的数据量巨大（41.6 fb⁻¹），相当于在 2018 年收集了约 130 亿个事件。

3. 如何从噪音中找出信号？（AI 侦探）

在 LHC 的碰撞中，背景噪音（普通的夸克衰变）比信号（暗物质）多得多。这就像在一场万人演唱会里，试图听清一个特定的人在唱什么。

• 传统方法： 靠规则，比如“如果粒子跑了 5 厘米，就可能是信号”。但这不够聪明，因为背景噪音也会偶尔跑那么远。
• 新方法（机器学习）： 科学家训练了一个AI 侦探（Boosted Decision Trees，提升决策树）。
  • 这个 AI 看了成千上万个模拟的“暗物质派对”和“普通背景噪音”。
  • 它学会了识别微妙的模式：比如“这次派对来了多少个 μ子？”、“它们跑出来的角度是不是有点奇怪？”、“它们是不是成对出现的？”。
  • 结果：AI 能非常精准地把“暗物质派对”和“普通噪音”区分开，就像老练的调酒师能一眼看出哪杯是特调鸡尾酒，哪杯是兑了水的假酒。

4. 结果如何？（虽然没有抓到，但排除了很多可能）

• 好消息： 科学家没有发现明显的“暗物质派对”证据。数据完全符合我们目前的“标准模型”预测（也就是没有新物理）。
• 坏消息（对暗物质理论家来说）： 虽然没有抓到，但这并不意味着暗物质不存在，而是排除了很多种可能性。
  • 科学家说：“如果暗物质粒子像我们假设的那样（比如寿命在 500 毫米以内，质量在 0.3 到 20 GeV 之间），那么它们产生的概率必须极低（小于万分之一），否则我们早就看到了。”
  • 这就像侦探说：“如果凶手是穿红衣服的人，那他在案发时间出现在现场的概率必须小于 0.01%，否则我们肯定能抓到他。”

5. 总结：我们学到了什么？

这篇论文虽然没有直接“发现”暗物质，但它极大地缩小了搜索范围：

1. 更灵敏的雷达： 我们证明了可以用“数据停车”和 AI 技术，去探测以前看不到的低质量、长寿命的暗物质粒子。
2. 新的禁区： 我们告诉理论物理学家：“你们那些假设暗物质粒子质量在 0.3 GeV 左右、寿命在 500 毫米以内的模型，现在被我们‘证伪’（或者说限制得很死）了。你们得换个思路了。”
3. 未来的希望： 虽然这次没抓到，但这种**“低质量、非 prompt（非即时）”**的搜索策略非常成功，为未来寻找更神秘的暗物质粒子铺平了道路。

一句话总结：
科学家们在 LHC 的碰撞数据中，用“停车”策略和 AI 侦探，仔细检查了每一个可能藏有“暗物质幽灵”的角落。虽然这次没抓到幽灵，但我们把幽灵可能藏身的“小房间”都锁死了，逼得它们要么现身，要么换个更隐蔽的地方躲起来。

技术摘要

这是一份关于 CMS 合作组在 CERN LHC 上进行的“寻找低质量隐藏谷（Hidden Valley）暗簇射（Dark Showers）”研究的详细技术总结。该研究基于 2018 年采集的质子 - 质子碰撞数据（$\sqrt{s} = 13$ TeV），利用非 prompt 缪子对（non-prompt muon pairs）作为特征信号。

1. 研究背景与问题 (Problem)

• 暗物质谜题： 标准模型（SM）无法解释宇宙中约 27% 的暗物质。许多超越标准模型（BSM）的理论（如隐藏谷模型）假设存在一个新的非阿贝尔规范群，其中的暗物质粒子通过“暗强子化”形成暗强子。
• 长寿命粒子（LLP）： 在这些模型中，暗强子（如暗介子）可能具有可测量的寿命，并在探测器内发生位移衰变（displaced decay），产生非 prompt 的 SM 粒子（如缪子）。
• 现有局限： 之前的 LHC 搜索通常受限于高横动量（$p_T$）触发器或较高的双缪子质量阈值（通常 $>10$ GeV），难以探测低质量（亚 GeV 至几 GeV）且长寿命的暗扇区粒子。此外，之前的搜索多关注特定的衰变拓扑，缺乏对复杂“暗簇射”（Dark Showers，即产生大量暗强子的事件）的全面覆盖。
• 核心目标： 利用 CMS 的“数据停车（Data Parking）”策略，降低触发阈值，专门搜索由希格斯玻色子衰变产生的、具有长寿命特性的暗介子衰变到双缪子（$H \to \text{dark partons} \to \text{dark mesons} \to \mu^+\mu^-$）的信号。

2. 方法论 (Methodology)

2.1 数据与触发策略

• 数据集： 使用 CMS 实验在 2018 年采集的 B-parking 数据集，积分亮度为 41.6 fb$^{-1}$。
• 触发机制： 采用“数据停车”策略，降低触发阈值（$p_T$ 为 7-12 GeV，IP 显著性 $IP_{sig}$ 为 3-6），以捕获低 $p_T$ 且位移的缪子。数据先以原始格式存储，待计算资源空闲时再进行全重建。
• 样本量： 包含约 $1.3 \times 10^{10}$ 个事件，其中约 70% 为 B 强子衰变。

2.2 信号模型

研究涵盖了三种主要的隐藏谷模型：

1. 矢量门户模型 (Vector Portal)： 希格斯衰变为一对暗部分子，强子化为暗矢量介子（$\tilde{\omega}$）和暗赝标量介子（$\tilde{\eta}$）。其中 $\tilde{\omega}$ 具有长寿命并衰变为 SM 费米子（主要是 $\mu^+\mu^-$）。
2. Scenario A： 扩展模型，包含两种暗味。$\tilde{\pi}_3$ 衰变为两个暗光子（$A'$），$A'$ 为长寿命粒子并衰变为缪子。拓扑为“指向型”（Pointing，即双缪子顶点矢量指向束流轴）。
3. Scenario B1： 类似 Scenario A，但 $\tilde{\pi}_3$ 为长寿命粒子，衰变为两个暗光子，随后 $A'$ 快速衰变为缪子。拓扑为“非指向型”（Non-pointing）。

2.3 事件选择与分类

• 基本选择： 要求至少有一个次级顶点（SV），由一对电荷相反的缪子组成，且其中一个缪子满足 $p_T > 5$ GeV。
• 分类变量：
  • 顶点数量： 分为单顶点（Single-vertex）和多顶点（Multi-vertex）事件。
  • 横向位移 ($l_{xy}$)： 分为 $[0, 1]$ cm, $(1, 10]$ cm, $>10$ cm 三个区间。
  • 指向角 (Pointing Angle)： 分为 $[0, 0.2]$ 和 $(0.2, \pi]$ 两个区间，用于区分指向和非指向拓扑。
  • 共定义了 12 个分析类别。

2.4 机器学习与背景抑制

• Boosted Decision Tree (BDT)： 使用 XGBoost 算法训练 BDT 以区分信号和 QCD 背景。
• 输入特征： 包括缪子多重性（信号中通常更高）、缪子横向撞击参数 ($d_{xy}$)、次级顶点的 $\chi^2$、位移显著性、指向角等。
• 优势： 信号事件中暗介子多重性高，导致缪子多重性显著高于背景；且信号具有明显的位移特征。
• 阈值： 针对不同质量假设优化 BDT 分数阈值（约 0.98 - 0.999），背景抑制效率约为 $10^{-4}$ 至 $10^{-5}$，信号保留效率为 30%-60%。

2.5 统计分析与拟合

• 信号拟合： 使用 Voigtian 函数（高斯与 Breit-Wigner 的卷积）拟合双缪子不变质量分布。
• 背景建模： 使用数据侧带（Sidebands）拟合，采用一阶多项式、指数函数或幂律函数的包络线。
• 系统误差： 考虑了缪子识别效率、触发效率、BDT 选择效率、堆积（Pile-up）、光度及理论截面等不确定性（总系统误差约 13%-21%）。
• 统计方法： 采用修正的频繁主义方法（CLs 准则）计算 95% 置信度（CL）的上限。

3. 关键贡献 (Key Contributions)

1. 首次探测低质量暗簇射： 这是 LHC 上首次专门针对隐藏谷暗簇射模型（暗粒子衰变为缪子对）进行的搜索，填补了低质量区域（0.3 - 20 GeV）的空白。
2. 突破质量与寿命限制：
   • 将探测质量下限推至 0.3 GeV（此前许多搜索限制在 10 GeV 以上）。
   • 覆盖了平均固有衰变长度 0.1 至 500 mm 的范围，特别是填补了 $<100$ mm 的短寿命区域空白。
3. 扩展模型覆盖： 首次对包含两种暗味和暗光子的扩展模型（Scenario A 和 B1）设定了限制，包括指向型和非指向型拓扑。
4. 数据停车策略的成功应用： 证明了利用低阈值触发和离线重建策略，可以有效挖掘海量数据中的稀有长寿命粒子信号。

4. 研究结果 (Results)

• 未发现显著超出： 在所有分析类别和信号假设下，数据与标准模型背景预期一致，未观察到显著的信号超出。
• 分支比上限：
  • 对希格斯玻色子衰变为暗部分子的分支比 $B(H \to \psi\bar{\psi})$ 设定了上限。
  • 在最佳灵敏度区域，上限低至 $10^{-4}$ (95% CL)。
  • 对于矢量门户模型，上限在 $10^{-3}$ 到 $10^{-5}$ 之间。
• 模型对比：
  • 矢量门户模型： 在 $c\tau < 500$ mm 且质量 $0.3 - 20$ GeV 范围内，设定了目前最严格的限制，优于之前的 CMS 缪子探测器搜索（Ref [24]）达两个数量级（在 $100-500$ mm 区域）。
  • Scenario A & B1： 首次设定了限制，探测到暗光子质量低至 0.33 GeV。
• 灵敏度特征： 对于较短的寿命（$c\tau < 100$ mm），由于次级顶点重建效率高，限制更严格；对于较高质量，由于背景较低，限制也更严格。

5. 意义 (Significance)

• 暗物质探索的新窗口： 该研究极大地扩展了对低质量、长寿命暗扇区粒子的探测能力，特别是那些可能通过希格斯玻色子作为门户产生的粒子。
• 技术验证： 验证了“数据停车”策略结合机器学习（BDT）在寻找低 $p_T$、位移信号方面的巨大潜力，为未来 LHC 运行及高亮度 LHC (HL-LHC) 的类似搜索提供了重要范例。
• 理论约束： 结果对多种隐藏谷模型参数空间进行了强有力的约束，排除了部分理论参数区域，指导了未来暗物质模型的理论构建。
• 互补性： 与之前的搜索（如高 $p_T$ 搜索、缪子探测器搜索、喷注搜索）形成了良好的互补，实现了对暗扇区物理更全面的覆盖。

总结： 这篇论文展示了 CMS 合作组利用先进的触发策略和机器学习技术，在低质量长寿命粒子搜索领域取得的重大进展。虽然未发现新物理信号，但设定的严格上限显著推进了我们对隐藏谷模型和暗物质性质的理解边界。