Search for heavy neutral leptons in B-meson decays

LHCb 实验利用 13 TeV 质子 - 质子碰撞数据，在 B 介子衰变中搜索长寿命重中性轻子（HNL）并针对其衰变为 $\mu^\pm \pi^\mp$ 末态进行了分析，在 1.6 至 5.5 GeV 质量范围内未发现显著超出，并据此对重中性轻子与活性缪子中微子的混合参数施加了限制。

要点

这是一篇来自欧洲核子研究中心（CERN）LHCb 实验组的最新科学报告。为了让你轻松理解，我们可以把这篇论文想象成一场在微观世界里进行的“大海捞针”行动，目的是寻找一种可能存在的“幽灵粒子”。

以下是用通俗语言和生动比喻对这篇论文的解读：

1. 我们在找什么？（寻找“幽灵”）

• 科学背景：我们熟知的物理世界由“标准模型”描述，就像一本已经写好的物理教科书。但这本教科书有几个大漏洞：它解释不了暗物质（宇宙中看不见的胶水），也解释不了为什么宇宙里物质比反物质多，更解释不了中微子为什么有质量。
• 目标粒子：科学家假设有一种叫**“重中性轻子”（HNL）**的新粒子。你可以把它想象成中微子的“胖哥哥”或“幽灵亲戚”。
  • 它很重（比普通中微子重得多）。
  • 它是中性的（不带电，像幽灵一样很难被抓住）。
  • 它很长寿（产生后不会立刻消失，而是像幽灵一样在探测器里飘一段距离才现身）。
• 为什么重要：如果找到了它，就能修补教科书上的漏洞，甚至解释暗物质和宇宙起源。

2. 我们怎么找？（在“车祸现场”找线索）

• 实验场地：CERN 的大型强子对撞机（LHC）。想象这里是一个巨大的粒子赛车场，质子（原子核）以接近光速对撞，产生无数碎片。
• 捕捉方法：
  • 科学家不直接撞 HNL，而是寻找B 介子（一种不稳定的重粒子，像是一个装满礼物的盒子）。
  • 当 B 介子“爆炸”（衰变）时，可能会释放出这个“幽灵”HNL。
  • HNL 飞出一段距离后，会再次“爆炸”，变成一个μ子（一种像电子但更重的粒子）和一个π介子（一种轻粒子）。
• 关键线索：
  • 位移：普通的粒子在碰撞点瞬间产生并消失。但 HNL 像是一个迟到的幽灵，它会在探测器里飞一段距离（几厘米到几米）才出现。LHCb 探测器就像一个超级高清的摄像机，专门盯着这种“迟到”的轨迹。
  • 质量拼图：科学家把最后看到的 μ子和π介子拼在一起，计算它们的质量。如果这个质量正好对应我们假设的 HNL 质量，那就是找到了！

3. 我们做了什么？（一场精密的“排雷”行动）

• 数据量：他们分析了 2016 到 2018 年对撞产生的海量数据（相当于 5 个“反物质库”的亮度）。
• 双重策略：
  • 守株待兔：他们不仅找“正常”的衰变（电荷守恒），还找“违规”的衰变（电荷不守恒，比如两个正电荷的 μ子同时出现）。这就像是在找不仅会隐身，还会变魔术的幽灵。
  • AI 辅助：因为背景噪音（其他普通粒子的干扰）太大，他们训练了一个人工智能（神经网络）。这个 AI 就像一位经验丰富的老侦探，能迅速从成千上万个杂乱无章的轨迹中，挑出那些最像“幽灵”的嫌疑对象。
• 搜索范围：他们搜索的 HNL 质量范围在 1.6 到 5.5 GeV 之间（大约相当于 2 到 6 个质子的重量）。

4. 结果如何？（虽然没抓到，但排除了很多可能）

• 现状：很遗憾，没有发现确凿的证据。在数据中，没有看到明显的“幽灵”信号。所有的波动都像是统计上的随机噪音（就像你在海边数浪花，偶尔多几朵或少几朵，并不是因为来了鲸鱼）。
• 最大的“收获”：虽然没有抓到“幽灵”，但科学家画出了一张**“禁区地图”**。
  • 他们告诉理论物理学家：“在 1.6 到 5.5 GeV 这个质量范围内，如果 HNL 真的存在，它和已知粒子的混合概率（耦合强度）必须非常非常小，低于我们现在的探测极限。”
  • 这就像是一个寻宝猎人虽然没找到宝藏，但他告诉所有人：“这片区域肯定没有宝藏，你们别在这里浪费时间了，去别的地方找吧。”
• 进步：这次搜索的灵敏度比以前的实验提高了一个数量级（10 倍以上）。这意味着我们排除了很多以前认为可能的理论模型。

5. 总结与展望

这篇论文就像是一次高精度的“扫雷”。

• 比喻：想象你在一个巨大的、嘈杂的舞厅里找一位穿着特定隐身衣的舞者。你用了最先进的夜视仪和 AI 分析，把舞厅翻了个底朝天，最后发现那个舞者确实不在这里（或者他隐身得太完美了，完全超出了我们目前的探测能力）。
• 意义：虽然这次没找到，但这极大地缩小了搜索范围。它告诉未来的物理学家，如果要找到这种粒子，可能需要更强大的机器（如 LHCb 的升级版）或者去探索更奇怪的质量区域。

一句话总结：LHCb 团队利用超级计算机和 AI，在粒子对撞的废墟中仔细搜寻了几年，虽然没抓到传说中的“重中性轻子”，但他们成功地把“嫌疑人”的活动范围缩小了十倍，为未来的物理探索指明了方向。

技术摘要

这是一份关于 LHCb 合作组在 2025 年发布的论文《Search for heavy neutral leptons in B-meson decays》（在 B 介子衰变中搜索重中性轻子）的详细技术总结。

1. 研究背景与问题 (Problem)

• 物理动机：标准模型（SM）无法解释暗物质、宇宙物质 - 反物质不对称性以及中微子质量的起源。重中性轻子（Heavy Neutral Leptons, HNLs，记为 $N$）是引入右手中微子的 Type-I 跷跷板机制（Seesaw mechanism）等超出标准模型（BSM）理论中的关键假设粒子。
• 科学目标：寻找长寿命的 HNL，特别是那些在 B 介子衰变中产生，并随后衰变为 $\mu^\pm \pi^\mp$ 末态的 HNL。
• 关键参数：
  • 质量范围 ($m_N$)：1.6 GeV 至 5.5 GeV。该范围覆盖了 B 介子衰变的主导产生模式，且高于 D 介子阈值。
  • 混合参数 ($|U_{\mu N}|^2$)：HNL 与活性缪子中微子的混合强度。
  • 寿命 ($\tau_N$)：HNL 的寿命与混合参数成反比（$\tau_N \sim |U_{\ell N}|^{-2} m_N^{-5}$）。对于较小的混合参数，HNL 可能是长寿命的，在探测器内发生位移衰变。
• 现有局限：之前的束流倾倒实验（Beam-dump）对低质量区（<2 GeV）限制较强，而 LHC 上的 ATLAS 和 CMS 实验通常对高质量区（通过 W/Z 玻色子产生）更敏感。B 介子工厂（BaBar, Belle）受限于统计量。LHCb 需要填补 B 介子衰变产生的 HNL 在 GeV 质量区、特别是长寿命区域的空白。

2. 方法论 (Methodology)

2.1 数据与探测器

• 数据来源：LHCb 实验在 2016-2018 年（Run 2）收集的质子 - 质子对撞数据，质心能量 13 TeV，积分亮度 $5.04 \pm 0.10 \text{ fb}^{-1}$。
• 探测器几何：前向谱仪（$2 < \eta < 5$），擅长重建含 b/c 夸克的粒子。
• 触发策略：
  • 硬件触发（L0）：基于单缪子或双缪子动量阈值。
  • 软件触发：针对位移顶点（Displaced Vertex）和特定的 $B \to \mu N (\to \mu \pi) X$ 拓扑结构进行了优化。特别是开发了一个专门针对同号缪子（Same-Sign, SS）的触发器，用于探测马约拉纳（Majorana）性质的 HNL。

2.2 信号分类与重建

分析将候选事件分为两个主要类别，以覆盖不同的 HNL 寿命：

1. 长径迹类别 (Long Category)：HNL 在顶点探测器（VELO）内衰变，使用长径迹重建。对 $FD_z(N) > 20 \text{ mm}$ 敏感。
2. 下游径迹类别 (Downstream Category)：HNL 在 VELO 之后衰变，使用下游径迹重建。对 $FD_z(N) \gtrsim 70 \text{ cm}$ 敏感。

信号过程：

• 完全重建的轻子衰变：$B^+_{(c)} \to \mu^+ N$，随后 $N \to \mu^\pm \pi^\mp$。
• 部分重建的半轻子衰变：$B \to \mu^+ N X$（$X$ 为未重建粒子，通常是 $D$ 介子），随后 $N \to \mu^\pm \pi^\mp$。
• 电荷配置：
  • 同号 (SS, $\mu^\pm \mu^\pm \pi^\mp$)：探测轻子数破坏（LNV），暗示 HNL 为马约拉纳粒子。
  • 异号 (OS, $\mu^+ \mu^- \pi^\mp$)：探测轻子数守恒（LNC），暗示 HNL 为狄拉克粒子。

2.3 背景抑制与机器学习

• 组合背景：主要来源是随机组合的径迹。
• 峰值背景：来自 $D^0 \to K^- \pi^+$ 等衰变，其中 $K$ 或 $\pi$ 被误识别为缪子。
• 多变量分析 (MVA)：
  • 使用基于 PyTorch 的神经网络（NN）分类器。
  • 创新点：采用参数化神经网络，将 HNL 质量 $m_N$ 作为输入特征。这使得分类器可以在模拟的质量点之间平滑插值，无需为每个质量点单独训练模型，提高了效率并减少了过拟合风险。
  • 训练样本：信号使用模拟数据，背景使用数据侧带（Sideband）。
  • 工作点选择：基于 Punzi 优值（Figure of Merit）优化，确保在信号区有足够的事件数以进行稳定的拟合。

2.4 信号提取与统计方法

• 拟合策略：在 $m(\mu\pi)$ 不变质量谱上进行“鼓包搜索”（Bump Hunt）。
• 模型：
  • 信号：修正的 Crystal Ball 函数（考虑双尾）。
  • 组合背景：指数函数或线性函数。
  • 峰值背景：使用 Johnson SU 分布描述，并通过 ABCD 方法（利用飞行距离 $FD_z$ 和不变质量 $m(\mu\pi)$ 的独立性）从控制区外推估计。
• 统计推断：使用 $CL_s$ 方法计算 95% 置信水平（CL）的上限。考虑了“到处看效应”（Look-Elsewhere Effect, LEE）以评估全局显著性。

3. 关键贡献 (Key Contributions)

1. 参数化神经网络的应用：首次（或早期）在 LHCb 的 HNL 搜索中大规模应用质量参数化的 NN 分类器，有效处理了连续质量扫描问题，显著提升了信号/背景区分能力。
2. 下游径迹的利用：专门开发了针对 VELO 下游衰变的触发和重建策略，扩展了对长寿命 HNL（寿命达纳秒级）的探测灵敏度，这是以往 B 介子工厂难以触及的相空间。
3. ABC 方法控制峰值背景：在包含未重建粒子的半轻子衰变通道中，成功利用 ABCD 方法约束了来自 $D$ 介子衰变的误识别背景，提高了半轻子通道的可靠性。
4. 全面的相空间覆盖：结合了完全重建（$B^+, B^+_c$）和部分重建（$B^0, B^+, B^0_s$）通道，覆盖了 1.6–5.5 GeV 的宽质量范围，并同时搜索了 LNV 和 LNC 过程。

4. 研究结果 (Results)

• 观测结果：
  • 在质量 $m_N = 2.93 \text{ GeV}$ 处，狄拉克异号（Dirac OS）通道观察到了最大的局部超出，显著性为 $2.5\sigma$。
  • 考虑“到处看效应”后，全局统计显著性降至 0.3$\sigma$。
  • 结论：未观察到显著超出，结果与标准模型背景波动一致。
• 限制设定：
  • 在 $m_N \in [1.6, 5.5] \text{ GeV}$ 范围内，设定了 $|U_{\mu N}|^2$ 的 95% CL 上限。
  • 灵敏度：排除的混合参数范围低至 $10^{-5}$ 到 $10^{-4}$。
  • 对比：相比之前的 LHCb 限制，灵敏度提高了一个数量级以上。
  • 理论意义：虽然未覆盖 $\nu$MSM 模型中轻子生成（Leptogenesis）所需的极小混合参数区域（$<10^{-6}$），但排除了许多具有额外相互作用或对称性保护的低能跷跷板模型（如逆跷跷板、$B-L$ 规范模型等）中预测的较大混合参数区域。

5. 意义与展望 (Significance)

• 填补空白：该研究填补了 LHC 上 B 介子衰变产生 HNL 在 GeV 质量区、特别是长寿命区域的实验空白，与 ATLAS/CMS 的高能区搜索及束流倾倒实验的低能区搜索形成了互补。
• 技术示范：展示了利用参数化机器学习和下游径迹重建技术处理长寿命粒子搜索的有效性，为未来的物理分析提供了范本。
• 未来前景：随着 LHCb 升级 I（Upgrade I）和升级 II（Upgrade II）的进行，数据量将大幅增加，且顶点重建技术将进一步提升。预计未来的灵敏度将显著提高，有望探测到更小的混合参数或发现新物理信号。

总结：这篇论文代表了 LHCb 在寻找重中性轻子领域的最新进展。通过结合创新的机器学习算法、优化的触发策略以及对长寿命衰变顶点的精细重建，该分析在 B 介子衰变通道中设定了目前最严格的混合参数限制，为探索中微子质量起源和宇宙物质不对称性提供了重要的实验约束。