Search for Z' bosons decaying into charginos in final states with two oppositely charged leptons and missing transverse momentum in pp collisions at $\sqrt{s}$ = 13 TeV

CMS 实验利用 13 TeV 质子 - 质子碰撞数据，通过双相反电荷轻子加丢失横动量末态及参数化神经网络分析，对衰变为成对charginos的leptophobic Z'玻色子进行了搜索，未发现超出标准模型的信号，并将Z'玻色子质量排除上限推至约3.5 TeV。

要点

这篇论文就像是一份来自**欧洲核子研究中心（CERN）的“宇宙侦探报告”。CMS 实验团队（就像一群超级侦探）在巨大的粒子对撞机里，试图寻找一种名为"Z' 玻色子”**的神秘新粒子。

为了让你轻松理解，我们可以把整个研究过程想象成一场**“寻找隐形强盗的捉迷藏游戏”**。

1. 游戏背景：巨大的粒子游乐场

想象一下，CERN 的**大型强子对撞机（LHC）**是一个巨大的游乐场。

• 质子（Protons）：就像两列高速行驶的超级火车，它们以接近光速的速度迎面相撞。
• 碰撞（Collision）：当这两列火车猛烈撞击时，会产生巨大的能量，就像把两辆汽车撞碎，然后从碎片里蹦出各种各样的“玩具”（基本粒子）。
• 数据量：这篇论文分析了 2016 到 2018 年收集的数据，相当于记录了138 亿次这样的碰撞事件（138 fb⁻¹ 积分亮度）。

2. 侦探的目标：寻找“隐形强盗” (Z' 玻色子)

在这个游乐场里，科学家们怀疑有一种叫Z' 玻色子的“新强盗”存在。

• 为什么难找？ 这个强盗很狡猾，它**“不跟电子或缪子（轻子）打招呼”**（论文中称为“轻子ophobic"，即 leptophobic）。这意味着它不会直接变成我们容易看到的电子或缪子对，所以传统的“抓强盗”方法（直接看电子对撞）找不到它。
• 它的作案手法：这个 Z' 强盗喜欢把自己“分裂”成两个**“带电的幽灵”**（Charginos，即带电气超对称粒子）。
• 幽灵的后续：这两个带电幽灵很不稳定，它们会迅速衰变，变成：
  1. 一个W 玻色子（会进一步变成我们看得见的电子或缪子）。
  2. 一个中性微子（Neutralino，这是暗物质的候选者，它完全隐形，探测器根本抓不住它）。

最终留下的线索（信号）：
当 Z' 强盗出现并作案后，探测器里只会看到：

• 两个带相反电荷的“目击者”（比如一个正电子和一个负电子，或者一个正缪子和一个负缪子）。
• 大量的“失踪能量”（Missing Transverse Momentum）：因为那个隐形的暗物质粒子带走了能量，导致能量守恒看起来“缺了一块”。

3. 侦探的工具：超级 AI 大脑 (参数化神经网络)

面对海量的数据，普通的筛选方法就像是用漏勺去捞针，效率太低。

• 传统方法：就像给每个嫌疑人单独画一张画像，如果嫌疑人长得稍微不一样（质量不同），画像就不管用了。
• 新方法（PNN）：这篇论文使用了一种**“参数化神经网络”。你可以把它想象成一个拥有超级适应力的 AI 侦探**。
  • 这个 AI 不仅学习“长什么样是强盗”，它还把强盗的**“体重”（质量）**作为输入参数。
  • 无论强盗是胖是瘦（质量是 1.7 吨还是 4.1 吨），这个 AI 都能灵活调整策略，精准地识别出信号和背景噪音的区别。
  • 它通过分析粒子的运动轨迹、能量分布等几十种特征，给每个事件打分。分数越高，越像是强盗作案。

4. 调查结果：强盗没抓到，但排除了很多可能性

经过对 138 亿次碰撞的仔细审查，侦探们发现：

• 现状：所有的数据都完美符合**“标准模型”**（也就是我们目前对宇宙已知物理规律的认知）的预测。
• 结论：没有发现 Z' 强盗存在的证据。 也就是说，在这个特定的游戏规则下，强盗没有出现。

但是，这并不意味着失败，而是巨大的成功：
虽然没有抓到强盗，但侦探们画出了一张**“禁区地图”**：

• 如果这个 Z' 强盗真的存在，它的体重（质量）必须大于 3.5 吨（3.5 TeV）。
• 如果它的体重在 3.5 吨以下，我们早就应该抓到它了。既然没抓到，说明在这个范围内它不存在。
• 这就好比说：“我们在森林里找了一万遍，没看到老虎。所以，如果这里有老虎，它一定比 3.5 吨重，或者它根本不在我们找的区域里。”

5. 总结：我们在进步

这篇论文就像是在说：

“我们用最先进的 AI 侦探，在 138 亿次宇宙大爆炸的碎片里，仔细寻找一种特殊的‘隐形强盗’。虽然这次没抓到它，但我们成功地把它的藏身范围缩小了。如果它真的存在，它一定比我们之前想象的还要重、还要难找。这让我们离揭开宇宙暗物质和超对称粒子的真相更近了一步。”

简单一句话：
科学家们在粒子对撞机里用超级 AI 找一种看不见的“新粒子”，虽然这次没找到，但他们成功证明了这种粒子如果存在，一定非常非常重（超过 3.5 万亿电子伏特），从而排除了很多轻质量的猜想。

技术摘要

这是一份关于 CMS 合作组在大型强子对撞机（LHC）上进行的最新物理分析的详细技术总结。该论文发表于 2026 年（CERN-EP-2025-244），题为《在 13 TeV 质子 - 质子碰撞中搜索衰变为两个带相反电荷轻子和丢失横动量的 Z'玻色子》。

1. 研究背景与问题 (Problem)

• 物理动机：标准模型（SM）之外的新物理理论，特别是基于 $E_6$ 大统一理论嵌入的最小超对称标准模型（UMSSM），预言了额外的 $U(1)'$ 规范对称性，从而产生一个重的中性规范玻色子 $Z'$。
• 特定场景：在某些电荷分配下，$Z'$ 玻色子可能是“轻子ophobic"（leptophobic）的，即其衰变到轻子对（如 $e^+e^-$ 或 $\mu^+\mu^-$）的分支比被强烈抑制。这使得传统的 $Z'$ 搜索（基于双轻子共振峰）失效。
• 目标过程：本研究专注于 $Z'$ 衰变到超对称粒子对（charginos, $\tilde{\chi}^\pm_1$）的场景。
  • 过程链：$pp \to Z' \to \tilde{\chi}^+_1 \tilde{\chi}^-_1 \to (W^+ \tilde{\chi}^0_1) (W^- \tilde{\chi}^0_1) \to (\ell^+ \nu \tilde{\chi}^0_1) (\ell^- \bar{\nu} \tilde{\chi}^0_1)$。
  • 最终态特征：两个带相反电荷的高动量轻子（$e$ 或 $\mu$）加上高丢失横动量（$p^{\text{miss}}_T$，来自中微子和最轻超对称粒子 $\tilde{\chi}^0_1$）。
• 现有挑战：
  • 传统的 $Z'$ 搜索未对 $p^{\text{miss}}_T$ 施加严格要求，也未考虑中间超对称粒子的运动学特征。
  • 直接寻找成对产生的 chargino 的搜索通常假设它们是直接产生的，未考虑其源自重共振态（$Z'$）的运动学约束。
  • 该特定信号通道（轻子ophobic $Z'$ 衰变到 chargino）在之前的 LHC 数据中尚未被专门搜索过。

2. 方法论 (Methodology)

• 数据集：
  • 使用 CMS 探测器在 $\sqrt{s} = 13$ TeV 下采集的数据。
  • 涵盖 2016、2017 和 2018 年运行期，总积分亮度为 138 fb$^{-1}$。
• 事件选择 (Event Selection)：
  • 触发：单电子或单μ子触发。
  • 对象：两个带相反电荷的轻子（$e$ 或 $\mu$），领头轻子 $p_T > 80$ GeV，次领头轻子 $p_T > 40$ GeV。
  • 运动学 cuts：
    • 双轻子不变质量 $m_{\ell\ell} > 100$ GeV（抑制 $Z$ 玻色子背景）。
    • 丢失横动量 $p^{\text{miss}}_T > 100$ GeV（抑制 Drell-Yan 和 $t\bar{t}$ 背景）。
    • b 喷注 veto：要求没有 b 标记喷注（$N_{b\text{-jets}} = 0$），以大幅抑制 $t\bar{t}$ 背景。
  • 分类：根据轻子味道分为三个通道：$e^+e^-$, $\mu^+\mu^-$, 和 $e^\pm\mu^\mp$。
• 多变量分析 (MVA) - 参数化神经网络 (PNN)：
  • 由于剩余背景（如 $t\bar{t}$, $tW$, $WW$）与信号在运动学上具有相似性，单一变量无法有效区分。
  • 采用参数化神经网络 (Parametrized Neural Network, PNN)。
  • 创新点：将信号模型中的自由参数（$Z'$ 质量 $m_{Z'}$ 和 chargino 质量 $m_{\tilde{\chi}^\pm_1}$）作为神经网络的输入。这使得一个训练好的模型可以覆盖广泛的参数空间，而无需为每个质量点单独训练网络。
  • 输入变量：包括轻子 $p_T$、$m_{\ell\ell}$、$p^{\text{miss}}_T$、横向质量 $m_T$、stransverse mass ($M_{T2}$) 以及各类角距离变量（$\Delta\phi$, $\Delta R$）。
• 背景估计：
  • 主要背景：$t\bar{t}$, $WW$, Drell-Yan (DY)。
  • 利用控制区（CRs）进行归一化：
    • $t\bar{t}$ CR：要求至少 1 个 b 喷注。
    • $WW$ CR：要求 $40 < m_{\ell\ell} < 100$ GeV。
    • DY CR：要求 $30 < p^{\text{miss}}_T < 100$ GeV。
  • 通过同时拟合信号区（SR）和控制区的 PNN 分数分布来确定背景归一化因子。
• 统计方法：
  • 使用基于 RooStats 的 Combine 工具进行似然拟合。
  • 采用修正频率学派方法（CLs 准则）计算 95% 置信水平（CL）的上限。

3. 关键贡献 (Key Contributions)

1. 首次搜索：这是 LHC 上首次专门针对“轻子ophobic $Z'$ 衰变到 chargino 对”这一特定超对称场景的搜索。
2. 参数化神经网络的应用：成功将 $Z'$ 和 chargino 的质量作为输入参数集成到神经网络中，显著提高了对未知质量点的泛化能力和搜索效率，避免了传统方法中针对每个质量点单独训练模型的繁琐和性能损失。
3. 运动学特征利用：充分利用了重共振态衰变产生的 chargino 所特有的运动学特征（如高 $p_T$ 轻子、高 $p^{\text{miss}}_T$、特定的 $M_{T2}$ 分布），有效区分了信号与标准模型背景。
4. 全面的背景控制：通过定义多个控制区并联合拟合，精确约束了主要的不可约背景（$t\bar{t}$, $WW$, DY），确保了结果的可信度。

4. 结果 (Results)

• 数据与背景一致性：在所有三个搜索通道（$e^+e^-$, $\mu^+\mu^-$, $e^\pm\mu^\mp$）中，观测到的数据与标准模型背景预期一致。
  • 在 $\mu^+\mu^-$ 通道的高 PNN 分数区域观察到一个轻微的超出（局部显著性 2-3$\sigma$），但在统计上不足以声称发现。
  • 在 $e^\pm\mu^\mp$ 通道观察到轻微亏损。
• 排除限制：
  • 在假设 $Z' \to \tilde{\chi}^+_1 \tilde{\chi}^-_1$ 分支比为 100% 且 $\tilde{\chi}^0_1$ 质量为 chargino 质量一半的情况下，设定了 $Z'$ 产生截面的上限。
  • 质量排除范围：对于特定的衰变模式（$Z' \to \tilde{\chi}^\pm_1 \to W^\pm \tilde{\chi}^0_1$），该分析排除了 $Z'$ 质量高达约 3.5 TeV 的区域（当 chargino 质量约为 1.8 TeV 时）。
  • 对于固定的 $Z'$ 质量（例如 2.9 TeV），排除了 chargino 质量在 400 GeV 到 1400 GeV 之间的范围。
• 灵敏度来源：$e^\pm\mu^\mp$ 通道由于信号和背景产额较高，提供了主要的灵敏度贡献。

5. 意义 (Significance)

• 理论约束：该结果为 UMSSM 模型及其相关的 $U(1)'$ 扩展提供了重要的实验约束，特别是针对那些逃避了传统双轻子共振搜索的轻子ophobic 模型。
• 方法学示范：展示了参数化神经网络在处理具有连续自由参数的高能物理搜索中的强大能力，为未来更复杂的 BSM 搜索提供了技术范例。
• 暗物质关联：由于该过程涉及最轻超对称粒子（$\tilde{\chi}^0_1$，暗物质候选者）的产生，该结果间接限制了超对称暗物质模型参数空间的一部分。
• 未来展望：尽管未发现新物理，但高达 3.5 TeV 的排除范围展示了 LHC 在探索 TeV 能标新物理方面的潜力。随着 Run 3 数据的积累，灵敏度将进一步提升。

总结：这篇论文代表了对超对称 $Z'$ 玻色子搜索的一个重要补充，通过创新的机器学习方法和严格的运动学选择，在 13 TeV 的 LHC 数据中设定了目前最严格的限制，排除了特定参数空间下高达 3.5 TeV 的 $Z'$ 玻色子。