Search for heavy scalar resonances decaying to Lorentz-boosted Higgs and Higgs-like bosons in the $\mathrm{b\bar{b}}$4q final state at $\sqrt{s}$ = 13 TeV

利用 CMS 实验在 13 TeV 下收集的 138 fb$^{-1}$ 质子-质子碰撞数据，本研究通过采用先进的机器学习技术来识别增强喷注，首次展示了对衰变为希格斯玻色子和类希格斯标量玻色子的重标量共振态在全强子 $\mathrm{b\bar{b}}$4q 末态下的 LHC 搜索，并发现相对于标准模型背景并无显著过剩。

要点

大局观：寻找“重型父母”粒子

想象一下，宇宙是一个巨大的、混乱的厨房，粒子在这里不断地被烹饪出来并相互碰撞。在这个厨房里，标准模型是那本解释大多数食材如何行为的“官方食谱”。然而，物理学家怀疑其中还隐藏着秘密食材和未被记载的隐藏食谱。

这篇论文描述了对一种特定的“秘密食材”的搜寻：一种被称为 X 的重型、不可见的粒子。理论认为，这个重型粒子 X 就像一个父母，会分裂成两个孩子：

1. 一个已知的孩子：希格斯玻色子 (H)，我们已经知道它的存在。
2. 一个神秘的孩子：一种新的、较轻的粒子，称为 Y（它看起来非常像希格斯玻色子，但可能是一种全新的东西）。

这次实验的目标就是捕捉这个重型父母 X 分裂时的瞬间。

挑战：“高速移动的行李箱”问题

问题在于，当这些重型粒子在大型强子对撞机（LHC）中产生时，它们的移动速度极快——几乎接近光速。

• 类比： 想象一个沉重的行李箱（粒子 X）移动得如此之快，以至于当它打开时，里面的衣服（较小的粒子）飞出的速度太快，导致它们在能够分离之前就全部挤压在一起，变成了一个单一且混乱的团块。
• 现实情况： 通常，科学家通过观察粒子飞散成清晰的轨迹来寻找它们。但在这里，“孩子们”（希格斯玻色子和 Y 粒子）的速度太快，导致它们的衰变产物（它们转化的碎片）挤压在了一起。
  • 希格斯玻色子转变为两个底夸克，看起来就像一个巨大的、模糊的团块。
  • Y 粒子通过 W 或 Z 玻色子转变为四个夸克，这也看起来像一个巨大的、模糊的团块（或者根据速度不同，有时是两个团块）。

科学家必须构建特殊的“探测器”（类似于高科技摄像机），以识别这些混乱且合并的团块，并弄清楚里面到底包含了什么。

工具：作为侦探的 AI

为了在这些草堆中寻找针头，科学家使用了两种主要工具：

1. PARTICLENET： 可以把它看作是一个非常聪明的 AI，它观察那个“模糊的团块”并询问：“这看起来像是一个希格斯玻色子，还是仅仅是随机的垃圾（背景噪声）？”它经过训练，专门用于识别隐藏在粒子喷注中的希格斯玻色子的特定模式。
2. “粒子 Transformer”（Particle Transformer）： 这是一个全新的、尖端的 AI 工具（类似于一种超级先进的模式识别器），专门用于观察来自 Y 粒子的混乱团块。它使用一种称为“注意力机制”（Attention，类似于人类如何专注于人群中的特定细节）的技术，来判断该团块是否包含四个夸克，从而证明 Y 粒子的存在。

搜索策略：“通过/失败”游戏

科学家们并不仅仅是观察数据并碰运气。他们使用了一种巧妙的统计游戏来区分信号与噪声：

• 信号通过 (Signal Pass, SP)： 这是“获胜”区域。他们寻找那些 AI 非常确信看到了希格斯玻色子和 Y 粒子的事件。
• 信号失败 (Signal Fail, SF)： 这是“落败”区域。他们观察那些 AI 说“不，那只是随机垃圾”的事件。
• 诀窍： 通过研究“落败”区域（即他们已知没有真实信号的区域），他们可以从数学上预测“获胜”区域中应该含有多少“随机垃圾”。如果“获胜”区域中的垃圾比预测的要多，那就是存在新粒子的迹象。

他们根据粒子移动的速度快慢，将搜索分为两类：

• 完全合并 (Fully Merged)： Y 粒子速度极快，其所有碎片都被挤压成一个单一的团块。
• 半合并 (Semi-Merged)： Y 粒子速度很快，但其碎片分裂成了两个清晰的团块。

结果：尚未发现新粒子

在分析了海量数据（相当于 138 个“反常量费米”——这是一个巨大的碰撞数量）后，科学家将他们观察到的现象与标准模型的预测进行了对比。

• 结果： 数据与“随机垃圾”的预测完美吻合。没有出现任何预料之外的峰值或“过剩”，这些过剩通常预示着重型父母粒子 X 或神秘孩子 Y 的存在。
• 结论： 他们没有找到这些新粒子。然而，他们也并非空手而归。他们设定了严格的规则：“如果这些粒子确实存在，那么它们的质量不能高于 X 或低于 Y（在特定限制范围内），且它们的产生速率不能高于某个特定水平。”

一句话总结

CMS 团队利用先进的 AI 技术，试图寻找一种会分裂成希格斯玻色子和一种新型“类希格斯”粒子的重型高速运动粒子；但在扫描了海量的碰撞数据后，他们并未发现这种新粒子的证据，仅证实了如果它确实存在，其产生频率必然更低或质量更高。

注： 本论文纯粹是对基础物理学的探索。它并不声称具有任何直接的医疗、技术或实际应用。这是一项关于宇宙基本组成部分的根本性研究。

技术摘要

技术摘要：在 $bb4q$ 末态中寻找衰变为洛伦兹加速希格斯玻色子及类希格斯玻色子的重标量共振态

问题与动机
标准模型（SM）面临着基础性的不一致性，包括希格斯玻色子质量层级问题以及观测到的宇宙重子不对称性。各种理论扩展，如双希格斯双重态模型（2HDM）、最小超对称标准模型（MSSM）、次最小超对称标准模型（Next-to-MSSM）以及双实标量单态模型，都预言了更丰富的标量部门。这些模型通常允许重标量共振态（$X$）衰变为一对较轻的标量（$H$ 和 $Y$），其中 $H$ 是类标准模型希格斯玻色子，而 $Y$ 是一个新的类希格斯玻色子。

本文针对过程 $X \to HY$ 进行搜索，其中 $H \to b\bar{b}$ 且 $Y \to VV \to 4q$（其中 $V = W$ 或 $Z$）。这种特定的全强子末态（$bbVV$）由于压倒性的量子色动力学（QCD）多喷注背景，带来了显著的挑战。此外，该搜索针对洛伦兹加速区域，在此区域内，重 $X$ 玻色子的衰变产物高度共线，需要专门的重建技术来区分信号喷注与背景。

方法论
本分析利用了由欧洲核子研究中心大型强子对撞机（LHC）上的 CMS 实验在质心能量为 $\sqrt{s} = 13$ TeV 下收集的质子-质子碰撞数据，对应于 138 fb$^{-1}$ 的积分亮度。搜索根据共振态的质量比分为两个运动学区域：

1. 完全合并区域 ($m_Y \lesssim 0.1 m_X$)： 在此区域，$Y$ 玻色子被高度加速，导致其衰变产物（$VV \to 4q$）合并为一个单一的大面积喷注。
2. 半合并区域 ($0.1 m_X \lesssim m_Y < m_X - m_H$)： 在此区域，$Y$ 玻色子的加速程度较低，其衰变产物被重建为两个不同的宽面积喷注，每个喷注对应一个 $V \to qq$ 衰变。

关键技术组件：

• 喷注重建： 使用距离参数为 0.8 的 anti-$k_T$ 算法（AK8 喷注）进行事件重建。使用基于 PARTICLENET 图神经网络架构的质量回归算法来改进喷注质量。
• 信号识别：
  • $H \to b\bar{b}$： 使用 PARTICLENET 标记器（$T_{Xbb}$）进行识别，该标记器能够区分 $b$ 夸克喷注与 QCD 背景。该标记器的输出与喷注质量和横向动量（$p_T$）是不相关的。
  • $Y \to VV \to 4q$（完全合并）： 采用一种新型的基于注意力的神经网络——“粒子变换器”（PART），用于识别源自衰变为 $WW$ 的标量共振态的四分支喷注。从 PART 输出中导出判别式 $T_{YWW}$。
  • $Y \to VV \to 4q$（半合并）： 使用基于 PARTICLENET 模型的判别式 $T_{Wqq}$ 来识别两个 $V \to qq$ 喷注。
• 事件分类： 根据标记器得分阈值和希格斯质量（$m_H$）附近的质量窗口，将事件分类为“信号通过”（SP）、“信号失败”（SF）、“验证通过”（VP）和“验证失败”（VF）区域。
• 背景估计： 主导的 QCD 多喷注背景通过数据驱动方法进行估计。SP 区域的产额是通过 SF 区域（即反转标记器选择的区域）乘以传递函数 $R(m_X, m_Y)$ 得出的。这些传递函数使用二维 Bernstein 多项式进行建模，并通过在验证区域拟合数据，以确保背景模型在不偏置信号搜索的情况下与观测结果一致。次要背景（$t\bar{t}$、$V$+喷注、SM 希格斯）使用蒙特卡洛模拟进行估计。

主要贡献

• 首次全强子搜索： 本工作展示了 LHC 上针对全强子 $bbVV$ 衰道中标量共振态的首次搜索。
• 新型机器学习： 本分析引入了应用“粒子变换器”（PART）架构来识别完全合并的 $Y \to 4q$ 喷注，这一技术此前在该特定 LHC 背景下尚未经过测试。
• 全面的运动学覆盖： 搜索涵盖了广泛的质量范围，其中 $m_X$ 在 900 到 4000 GeV 之间，$m_Y$ 在 60 到 2800 GeV 之间，同时兼顾了完全合并和半合并拓扑结构。

结果
在完全合并或半合并类别中，均未观察到相对于标准模型背景预期的显著过剩。最大的局部偏差分别出现在 $m_X = 900$ GeV 和 $m_Y = 80$ GeV（完全合并，3.3$\sigma$ 局部显著性，$<1.0\sigma$ 全局显著性）以及 $m_X = 1200$ GeV 和 $m_Y = 900$ GeV（半合并，1.7$\sigma$ 局部显著性，$<1.0\sigma$ 全局显著性），两者均与背景涨落一致。

在 95% 置信水平（CL）下，对产额截面与分支比之积（$\sigma \times \mathcal{B}$）的上限进行了设定，针对 $X \to HY \to bbVV$ 过程。对于各种质量假设，上限可低至 0.2 fb。

显著性与主张
论文声称这是 LHC 上对全强子 $bbVV$末态中标量共振态的首次搜索。虽然没有发现新物理，但该分析成功地为具有挑战性的运动学区域中的非对称级联衰变设定了严格的排除限制。结果在双实标量单态扩展的标准模型框架内进行了解释。作者指出，虽然无法对所扫描的具体模型参数进行质量排除，但观测到的限制大约比$m_X < 1.4$ TeV 和 $m_Y < 0.6$ TeV 的理论预测高出约一个数量级，这为使用更多数据集对该末态进行进一步研究提供了动力。该分析证明了使用先进机器学习工具（如粒子变换器）来重建高堆积环境下高度加速的多分支强子衰变的有效性。