Search for pair-produced vector-like $T$-quarks decaying into $Ht$ final states in the lepton-plus-jets channel in $pp$ collisions at $\sqrt{s}$=13 TeV with the ATLAS detector

利用 ATLAS 探测器采集的 13 TeV 质子 - 质子对撞数据（对应积分亮度为 139 fb$^{-1}$），本研究在轻子加喷注道中搜索衰变为希格斯玻色子 - 顶夸克末态的成对产生矢量类$T$夸克，未发现超出标准模型预言的显著过量，并根据$T$夸克的表示和分支比将 95% 置信度下的质量下限设定在 1.40 至 1.66 TeV 之间。

要点

以下是该论文的通俗解释，辅以一些富有创意的类比。

宏观图景：寻找“重型双胞胎”

想象宇宙是一个巨大的高速赛车场（即大型强子对撞机，LHC）。CERN 的物理学家就像赛事官员，他们以接近光速的速度将质子相互撞击，以观察会发生什么。通常，这些碰撞会产生一组可预测的粒子，就像标准的汽车和摩托车。

然而，标准模型（我们当前的物理规则手册）存在一些缺口。一个核心问题是：为什么希格斯玻色子（赋予其他粒子质量的粒子）如此轻？ 为了解决这个“精细调节”问题，一些理论提出顶夸克（已知最重的粒子）存在“重型双胞胎”。这些被称为矢量类 T 夸克。

这篇论文是 ATLAS 实验团队的报告，内容是：“我们非常努力地寻找这些重型双胞胎，但没有找到。不过，我们现在可以高度确信，如果它们确实存在，其质量必须比我们之前认为的更重。”

策略：“重量级拳击赛”

由于这些 T 夸克非常重，很难产生。当它们确实产生时，寿命极短；它们会立即衰变成其他粒子。

团队决定寻找一个特定场景：

1. 成对产生：他们寻找同时产生两个 T 夸克的情况（就像一对重量级拳击手进入擂台）。
2. 衰变：其中至少一个衰变成一个希格斯玻色子和一个顶夸克。
3. 踪迹：希格斯玻色子随后分裂成两个“底”夸克，而顶夸克则分裂成一个轻粒子（电子或μ子）、一个幽灵般的中微子和另一个底夸克。

类比：想象你正在一个巨大的果园中寻找一种特定类型的稀有、沉重的水果（T 夸克）。你知道这种水果掉落时，会分裂成特定组合的种子和果汁。因此，你并不是直接寻找水果本身，而是在寻找它留下的独特种子和果汁堆。

侦探工作：筛选噪音

问题在于，果园里随时都在掉落普通水果（标准模型背景）。团队必须过滤掉噪音，才能找到罕见的信号。

• “重新聚类”技巧：当重粒子衰变时，它们运动得如此之快，以至于它们的碎片（粒子喷注）会被挤压在一起。团队使用了一种称为“可变半径喷注”的特殊技术。这就像使用一个智能相机镜头，根据物体的运动速度自动放大或缩小，确保即使物体移动得极快，也能正确捕捉到整个“碎片堆”。
• 神经网络（AI 侦探）：他们训练了一个计算机大脑（神经网络）来观察这些碎片堆的形状、速度和排列。这就像教一只狗嗅出特定的气味。AI 学会了区分普通碰撞产生的杂乱、随机的碎片，与重 T 夸克衰变产生的干净、结构化的碎片。

结果：“未找到，但已知它们不在何处”

在分析了 139 个“逆飞靶”的数据（这是海量的碰撞数据，相当于对撞机运行了数年）后，团队没有发现这些重 T 夸克的任何证据。数据与正常物理的预测完美吻合。

由于没有找到它们，他们为 T 夸克可能存在的位置划定了一道“围栏”。现在他们可以排除低于特定质量的 T 夸克：

• 如果 T 夸克是“单态”（一种特定类型的粒子），其质量必须大于1.40 TeV。
• 如果它是“二重态”，其质量必须大于1.56 TeV。
• 如果它仅衰变为希格斯玻色子和顶夸克（100% 的情况），其质量必须大于1.66 TeV。

比喻：想象你在田野里寻找一个隐藏的宝箱。你把整个田野都挖了一遍，却什么也没找到。你不能说宝箱不存在，但你可以说：“如果宝箱在那里，它必须埋在 10 英尺以下，因为我们已经挖开了那以上的所有地方。”这篇论文比以往任何人都挖得更深，将“掩埋深度”的界限进一步向下推进。

为什么这很重要

这是迄今为止此类最灵敏的搜索。通过使用更多数据（139 fb⁻¹ 对比之前的 36 fb⁻¹）和更好的 AI 工具，ATLAS 团队拓展了我们的认知边界。他们尚未发现“重型双胞胎”，但通过证明它们没有隐藏在较轻的质量范围内，他们迫使物理学家重新思考他们的理论，或在未来寻找更高能量下的这些粒子。

简而言之：寻找重 T 夸克的行动仍在继续，但搜索范围已显著缩小。如果它们确实存在，它们比我们希望的更重、更难找到。

技术摘要

技术摘要：寻找衰变为 Ht 末态的成对产生矢量类 T 夸克

问题与动机
粒子物理的标准模型（SM）面临着电弱质量尺度与普朗克尺度之间巨大差异的等级问题。一种提出的解决方案是通过引入矢量类夸克（VLQs）来扩展标准模型，这些夸克可以抵消希格斯玻色子质量中二次发散的辐射修正。本文报道了对成对产生的上型矢量类 T 夸克的搜索，预期这些夸克优先与第三代标准模型夸克耦合。该分析专门针对至少一个 T 夸克衰变为希格斯玻色子和顶夸克（$T \to Ht$）的衰变道，随后发生 $H \to b\bar{b}$ 和 $t \to \ell \nu_\ell b$ 衰变（其中 $\ell = e, \mu$）。该搜索利用质心能量为 $\sqrt{s} = 13$ TeV 的质子 - 质子碰撞数据，在轻子加喷注末态中进行。

方法
该分析利用了大型强子对撞机（LHC）上的 ATLAS 探测器收集的完整 Run 2 数据集，对应的积分亮度为 139 fb$^{-1}$。

• 事例重建与选择： 信号拓扑特征为恰好一个孤立的电子或μ子、显著的缺失横向动量（$E_T^{\text{miss}}$）以及多个喷注，其中包括 b 标记喷注。为了处理重共振态的 boosted 特性，该分析采用通过小 R 喷注重聚类重建的可变半径（$R_{\text{eff}}$）喷注。这些喷注经过质量标记，以识别强子衰变的 W、H 和顶夸克候选者。轻子型顶夸克候选者通过将轻子型 W 玻色子候选者与一个 b 标记喷注结合来重建。
• 背景建模与重加权： 主要背景包括顶夸克对产生（$t\bar{t}$）、单顶夸克和 V+ 喷注过程。为了解决模拟与数据之间的差异，特别是在高喷注多重数和横向动量下 $t\bar{t}$ 和 V+ 喷注截面的建模差异，应用了一种迭代的数据驱动重加权技术。该技术基于富含 Z+ 喷注和 $t\bar{t}$ 事例的控制区域，对背景分布的归一化和形状进行修正。
• 多变量分析： 采用前馈神经网络（NN）来区分信号与背景。分类器利用 30 个输入变量，包括运动学属性（例如有效质量 $m_{\text{eff}}$、可变 R 喷注的横向动量）和拓扑特征（例如角分离、组分多重数）。该 NN 在模拟的信号和背景样本上进行训练。
• 事例分类： 根据 NN 输出分数（$h_{\text{NN}}$）、b 标记喷注的数量（2、3 或 $\ge 4$）以及是否存在 H 标记喷注，将事例分类为信号区（SRs）和控制区（CRs）。根据 NN 分数阈值定义了三个 SR 类别：高 NN（HNN）、中 NN（MNN）和低 NN（LNN）。LNN 区域信号纯度较低但背景统计量高，用于在统计拟合中约束背景归一化。
• 统计分析： 对所有分析区域的有效质量（$m_{\text{eff}}$）分布进行分箱轮廓似然拟合。拟合包含系统误差（实验和理论）的干扰参数，以及特定背景成分（$t\bar{t}+c$ 和 $t\bar{t}+b$）的自由归一化因子。

主要贡献

• 改进的背景建模： 数据驱动重加权技术的实施显著改善了 $t\bar{t}$ 和 V+ 喷注背景与数据及标准模型预测之间的一致性，特别是在与重共振搜索相关的运动学区域。
• 增强的信号区分能力： 结合轻子型顶夸克候选者的显式重建以及对成对产生重粒子背对背拓扑结构的利用，神经网络分类器的使用提供了优于该通道以往 ATLAS 搜索的分离能力。
• 全面的场景测试： 该搜索在三种不同的基准场景下解释结果：SU(2) 单态、SU(2) 二重态，以及分支比 $B(T \to Ht)$ 设定为 100% 的场景。

结果
在任何分析区域中均未观察到超出标准模型预测的显著事例过剩。因此，在 95% 置信水平（CL）下设定了矢量类 T 夸克成对产生截面的上限。

观测到的 T 夸克质量下限为：

• 1.40 TeV（针对 SU(2) 单态表示）。
• 1.56 TeV（针对 SU(2) 二重态表示）。
• 1.66 TeV（针对 $B(T \to Ht) = 100\%$ 的场景）。

这些限制代表了目前针对 SU(2) 二重态和 $B(T \to Ht) = 100\%$ 场景最严格的约束，分别将之前的排除限扩展了 0.07 TeV 和 0.16 TeV。对于 SU(2) 单态场景，该结果将之前的 ATLAS 限制提高了 0.04 TeV。该分析主要受统计不确定性的限制。

意义
该论文声称，这些结果提供了目前针对指定衰变道和规范表示的矢量类 T 夸克最严格的排除限。通过利用完整的 Run 2 数据集和先进的分析技术（重加权和机器学习），该搜索有效地探测了比以往 ATLAS 分析更高的质量范围。作者指出，虽然当前的搜索受统计限制，但 Run 3 和高亮度 LHC 预期的数据量增加为将灵敏度扩展到更高质量提供了巨大的潜力。结果已通过 HEPData 公开以供重新解释，包括事例产额、系统不确定性和统计工作空间。