⚛️ high-energy experiments

Search for higgsinos in compressed mass spectra using low-momentum tracks in $pp$ collisions at $\sqrt{s}=13$ TeV with the ATLAS detector

利用 140 fb $^{-1}$ 的 13 TeV 质子-质子碰撞数据，ATLAS 实验通过识别来自位移 $\pi$ 介子或瞬发轻子的低动量轨道，进行了两项针对具有压缩质量谱的希格斯粒子（higgsinos）的搜索，在未观测到相对于标准模型预测的显著超额的情况下，为质量分裂在 0.3 至 2 GeV 之间的电荷子质量设定了 126 GeV 的新世界领先下限。

原作者： ATLAS Collaboration

发布于 2026-06-29

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： ATLAS Collaboration

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下大型强子对撞机（LHC）是一个巨大的、高速运转的赛车场，微小的粒子在其中飞速穿梭并相互碰撞。ATLAS实验的物理学家们就像是侦探，试图寻找关于一个被称为**超对称（SUSY）的“失踪”粒子世界的线索。具体来说，他们正在搜寻一类被称为希格斯希诺（higgsinos）**的粒子家族。

以下是这篇论文内容的简单拆解，使用了日常类比：

谜团：“隐形”双胞胎

在物理学世界中，希格斯希诺被预言是非常害羞的。它们预计会成对出现，且质量几乎完全相同，就像一对体重极其接近的双胞胎，其中一个仅比另一个重那么一点点。

问题： 由于它们的质量如此接近，当较重的那个双胞胎衰变（破碎）时，它不会喷射出容易被我们的探测器捕捉到的高能快速粒子。相反，它会释放出一个非常缓慢、“懒散”的粒子（比如一个低速的π介子或软电子）。
类比： 想象一下试图在拥挤的体育场里发现一名小偷。通常，你会寻找跑得很快或提着大包的人。但这些希格斯希诺就像是移动得极慢且极其安静的小偷，他们能完美地融入人群中。如果你只寻找快跑者，你将会完全错过他们。

策略：“喷注助推”（Jet Boost）

由于希格斯希诺如此安静，物理学家需要一种方法让它们脱颖而出。他们寻找了一种特定的情景：

助推： 他们等待希格斯希诺与一个向相反方向喷射的极高能“喷注”（jet，即粒子喷流）同时产生。这就像发射一颗炮弹：炮弹（喷注）向前飞，而炮身（希格斯希诺系统）则向后反冲。
反冲： 这种反冲力将希格斯希诺推向相反方向，赋予它们足够的速度以便被探测到，但它们仍然会衰变成那些缓慢的、“软性”的粒子。
消失的钱款： 由于希格斯希诺会转化为不可见粒子（中微子或暗物质候选者），整个事件的总“动量”无法对齐。这就像是一场银行抢劫案，劫匪带着一袋现金逃跑了，而监控摄像头只看到钱凭空消失了。这种“消失的钱款”被称为缺失横向动量（Missing Transverse Momentum）。

两支侦探团队

这篇论文描述了两个不同的搜索团队，每个团队都在寻找不同类型的“缓慢”希格斯希诺行为：

团队 1：“幽灵轨迹”猎人（位移轨迹搜索）

情景： 他们寻找的是双胞胎质量极其接近（差异在 0.3 到 1 GeV 之间）的希格斯希诺。在这种情况下，较重的双胞胎在衰变前会存活足够长的时间，足以移动一小段距离（大约是一根人类头发的宽度）。
线索： 粒子并不是从碰撞点直接开始留下轨迹，而是留下了一条从中心点附近稍远处开始的“幽灵轨迹”。
工具： 他们使用了**神经网络（AI）**来充当超级智能保安。这个 AI 经过训练，专门识别这些从中心点偏移位置开始的“幽灵轨迹”，从而将它们与数以百万计从中心点直接开始的正常轨迹区分开来。

团队 2：“软轻子”猎人（1ℓ1T 搜索）

情景： 他们寻找的是双胞胎质量差异稍大（1 到 3 GeV 之间）的希格斯希诺。在这种情况下，衰变是瞬间发生的，但会产生非常缓慢的电子或μ子。
线索： 标准探测器通常会忽略这些缓慢的粒子，因为它们太“弱”了，无法触发警报。
工具： 这个团队构建了一个专门的 AI “标记器”（一种数字放大镜），专门设计用于捕捉这些标准探测器会漏掉的缓慢、微弱的电子和μ子。他们寻找包含一个标准粒子和一个此类“软”粒子的事件。

结果：尚未发现罪犯（目前）

在筛选了 140 个单位的碰撞数据（这是一个海量的信息量）后，侦探们将观察到的现象与“标准模型”（当前的物理规则手册）进行了对比。

判决： 他们没有发现希格斯希诺的证据。他们看到的“幽灵轨迹”和“软粒子”的数量与标准模型预测的背景噪声完全吻合。
积极意义： 尽管没有发现粒子，但他们成功地排除了大量的可能性。他们证明了，如果希格斯希诺存在，其质量在他们测试的质量范围内不可能低于 126 GeV（一个特定的重量）。

为什么这很重要

在这篇论文发表之前，对这些特定类型希格斯希诺的最佳限制来自于 20 世纪 90 年代的一个名为 LEP 的实验。这项新的 ATLAS 研究已经超越了那些旧的限制，推向了我们已知希格斯希诺“不存在”的边界。

总结： ATLAS 团队使用先进的 AI 在嘈杂的体育场中寻找非常缓慢、安静的粒子。他们没有找到“小偷”（希格斯希诺），但他们成功证明了这些小偷无法躲藏在他们所搜索的特定“轻量级”区域内。这收紧了围捕网，明确了这些神秘粒子可能隐藏的位置。

技术摘要：利用 $\sqrt{s}=13$ TeV $pp$ 碰撞中的低动量径迹搜寻压缩质量谱中的希格斯ino

问题与动机
本文研究了在质量谱“压缩”情景下的超对称（SUSY）希格斯ino（higgsino）搜寻。在最小超对称标准模型（MSSM）情景中，若希格斯ino质量参数 $|\mu|$ 远小于双诺（bino, $M_1$ ）和温诺（wino, $M_2$ ）质量参数，则最轻超对称粒子（LSP）会形成一个近乎简并的希格斯ino类三重态（ $\tilde{\chi}^0_1, \tilde{\chi}^\pm_1, \tilde{\chi}^0_2$ ）。由辐射修正驱动的微小质量分裂（ $\Delta m$ ）会导致产生极低横动量（ $p_T$ ）的衰变产物。因此，标准的触发阈值和重建算法往往无法检测到这些事件，特别是在质量分裂低于 1 GeV 时。先前的搜索涵盖了“消失径迹”（disappearing track）特征（对于 $\Delta m \lesssim 300\text{--}400$ MeV）和瞬时轻子（prompt lepton）特征（对于 $\Delta m \gtrsim 1.5$ GeV），但在现有约束较弱或不存在的中等及低质量分裂区域仍存在空白。

方法论
本分析利用了 ATLAS 探测器在 $\sqrt{s}=13$ TeV 下收集的 140 fb $^{-1}$ 质子-质子碰撞数据。搜索策略依赖于识别与高- $p_T$ 初态辐射（ISR）喷注关联产生的希格斯ino对产生过程，该喷注会通过提升希格斯ino系统并产生显著的缺失横动量（ $E^{\text{miss}}_T$ ）来触发事件。研究采用了两种不同的搜索策略以覆盖不同的质量分裂机制，两者均利用机器学习（神经网络）来识别软衰变产物：

位移径迹搜索 ( $\Delta m \approx 0.3\text{--}1$ GeV)：
- 目标： 场景中带电希格斯ino（ $\tilde{\chi}^\pm_1$ ）具有 $c\tau \approx 0.1\text{--}10$ mm 的寿命，衰变为软 $\pi^\pm$ 和 LSP（ $\tilde{\chi}^0_1$ ）。
- 特征： 高 $E^{\text{miss}}_T$ 、高- $p_T$ 喷注以及至少一条具有大横向冲击参数（ $d_0$ ）的低动量带电径迹。
- 技术： 使用了两个全连接神经网络（NN）：一个是利用全局运动学（喷注 $p_T$ 、 $E^{\text{miss}}_T$ ）的“事件级”NN，另一个是利用径迹属性（ $p_T$ 、 $d_0$ 、隔离度、次级顶点匹配）的“径迹级”NN。信号区（SRs）定义在两个 NN 得分的二维平面内。
- 背景估计： 主要由 $Z(\to\nu\bar{\nu})+$ jets 和 $W^\pm(\to\tau\nu)+$ jets 组成。采用了一种半数据驱动的方法，利用控制区（CRs）推导归一化因子和径迹级重加权因子，以修正对堆积（pile-up）和径迹隔离度的模拟误差。
单轻子与单径迹 (1 $\ell$ 1T) 搜索 ( $\Delta m \approx 1\text{--}3$ GeV)：
- 目标： 希格斯ino通过离壳规范玻色子瞬时衰变（ $\tilde{\chi}^0_2 \to Z^* \to \ell^+\ell^-$ 以及 $\tilde{\chi}^\pm_1 \to W^{*\pm} \to \ell\nu$ ）。
- 特征： 高 $E^{\text{miss}}_T$ 、高- $p_T$ 喷注、恰好一个标准“紧凑型”（tight）轻子，以及一个额外的低- $p_T$ 轻子-径迹候选体（电子或μ子）。
- 技术： 开发了专门的低- $p_T$ 轻子-径迹识别（ID）算法，用于识别 $p_T \in [0.5, 5]$ GeV 范围内的电子和μ子，这扩展了标准 ATLAS 的能力范围。采用了一个参数化神经网络（pNN），将质量分裂 $\Delta m(\tilde{\chi}^0_2, \tilde{\chi}^0_1)$ 作为输入参数，以针对不同的质量假设动态优化选择标准。
- 背景估计： 主要背景是带有伪造低- $p_T$ 轻子-径迹的 $W^\pm+$ jets。使用了一种数据驱动的“转移因子”方法，通过测量控制区中通过与失败径迹的比率，来估计信号区中的伪造背景。

主要贡献

新型识别技术： 开发并应用了基于神经网络的“软轻子标记器”和“径迹级”分类器，使得重建和识别 $p_T$ 低至 0.5 GeV 的粒子成为可能，这一领域在以往难以通过标准触发和重建实现。
参数化机器学习： 在 1 $\ell$ 1T 搜索中使用 pNN，使得单个模型能够有效地覆盖广泛的质量分裂假设（ $\Delta m = 1\text{--}5$ GeV），而无需针对每个特定的质量点进行单独训练。
全面的背景建模： 实施了复杂的半数据驱动方法，包括用于位移径迹搜索的径迹级重加权和用于 1 $\ell$ 1T 搜索的转移因子方法，为低统计量和复杂运动学区域提供了稳健的背景估计。

结果

观测结果： 在两种搜索中均未观察到相对于标准模型（SM）预测的显著过剩。所有在信号区观测到的事件产额在统计和系统不确定度内均与背景预期一致（偏差通常在 $2\sigma$ 以内）。
排除限制：
- 位移径迹搜索： 对于质量分裂约为 0.6 GeV 的场景，排除了质量高达约 200 GeV 的电荷子（chargino）。
- 1 $\ell$ 1T 搜索： 对于质量分裂约为 2 GeV 的场景，排除了质量高达约 130 GeV 的电荷子。
- 结合结果： 对于质量分裂在 0.3 至 2 GeV 之间的情形，结合结果在 95% 置信水平下排除了低于 126 GeV 的电荷子质量。
模型无关限制： 为针对 1、3 和 5 GeV 质量分裂优化的通用超越标准模型过程的可见截面设置了上限。

意义
论文声称，这些结果代表了 ATLAS 在特定部分压缩希格斯ino参数空间中的首次约束（特别是 $\Delta m \approx 0.3\text{--}2$ GeV 区域）。至关重要的是，这些新限制超过了其他实验（包括 LEP 实验）此前设定的限制，后者在 0.9–1.2 GeV 的质量分裂范围内持有最强约束。通过将排除范围扩展到更高的质量，并填补了“消失径迹”与“瞬时轻子”之间的空白，这项工作为简化超对称模型中具有压缩质量谱的希格斯ino类电荷子和中性子提供了迄今为止最严格的约束。