Search for resonant production of lepton-enriched semivisible jets in proton-proton collisions at $\sqrt{s}$ = 13 TeV

技术摘要：寻找富含轻子的半可见喷注的共振产生

问题与动机
虽然针对暗物质（DM）的对撞机搜索主要集中在产生“单 X”特征（具有大缺失横向动量 $p^{\text{miss}}_T$，并与可见标准模型粒子发生反冲）的弱相互作用大质量粒子（WIMPs），但这些方法对于隐藏谷（Hidden Valley, HV）情景往往缺乏灵敏度。在 HV 模型中，一个具有类 QCD 动力学的暗区（Dark Sector, DS）会产生暗强子。如果其中一部分强子是稳定的，它们会逃逸探测；而另一部分不稳定的强子则会衰变为标准模型（SM）粒子。这会导致产生“半可见喷注”（SVJs），即 $p^{\text{miss}}_T$ 与喷注方向一致。

此前由 ATLAS 和 CMS 进行的搜索主要针对全强子类型的 SVJ 信号。然而，最近的理论研究表明，现有的搜索对于 SVJ 富含轻子的情景缺乏灵敏度。本文通过提出首个针对富含轻子的共振产生 SVJ 的搜索来填补这一空白，特别针对两种截然不同的情景：富含所有轻子种类的喷注（$\text{SVJ}_\ell$）以及主要富含 $\tau$ 轻子的喷注（$\text{SVJ}_\tau$）。

方法论
本分析利用了 CMS 探测器在 2016–2018 年间收集的 138 fb$^{-1}$ 于 $\sqrt{s} = 13$ TeV 下的质子-质子碰撞数据。信号模型假设一个重 $Z'$ 中介子衰变为暗夸克（$\chi$），这些暗夸克通过暗 QCD 力进行强子化，形成稳定和不稳定的暗强子。不稳定的强子瞬时衰变为 SM 夸克和轻子。

• 信号情景：

  • $\text{SVJ}_\ell$： 由 $Z'$ 和暗光子 $A'$ 中介。暗矢量介子（$\rho_{\text{dark}}$）民主地衰变为所有 SM 轻子种类和夸克。
  • $\text{SVJ}_\tau$： 由耦合到 $\tau$ 轻子的 $Z'$ 中介。暗强子（$\pi_{\text{dark}}$）衰变为最重的动力学可及的上型夸克和 $\tau$ 轻子。与 $\text{SVJ}_\ell$ 情况相比，由此产生的电子和缪子（来自 $\tau$ 衰变）更软，且伴随有中微子。

• 事件选择与分类：
  事件基于高横向质量（$m_T$）的二喷注系统以及 $p^{\text{miss}}_T$ 与领先喷注之间的对齐进行选择。一项关键创新是基于喷注内轻子隔离度的分类，使用了“微隔离”（mini-isolation）变量（$I_{\text{mini}}$）。

  • $\text{SVJ}_\ell$： 主要在轻子通过隔离要求的“多轻子”类别中进行分析。
  • $\text{SVJ}_\tau$： 在“0-轻子”（无隔离轻子）和“多轻子”类别中均进行分析，因为较软的轻子谱和较高的中微子含量导致了不同的隔离效率。

• 机器学习策略：
  采用双重机器学习方法来增强信号灵敏度和背景估计：

  1. 喷注标记（LUNDNET）： LUNDNET 算法的扩展，利用在“Lund 树”表示的喷注组分上运行的图神经网络（GNN）。该架构能够捕捉 SVJ 特有的辐射模式（源于暗部门和 SM 部门的双重部分子淋浴），这与 SM 喷注不同。该网络针对各自的轻子类别，分别对 $\text{SVJ}_\ell$ 和 $\text{SVJ}_\tau$ 信号进行训练。
  2. 背景估计（MD-ABCDISCOTEC）： 使用全连接深度神经网络（DNN）通过 ABCD 方法估计信号区域（SR）中的背景。为了确保 ABCD 方法的有效性，训练了两个判别变量（$D_1, D_2$），使它们彼此统计独立，且与搜索变量（$m_T$）统计独立。这是通过一种“质量去相关 ABCDISCOTEC”（MD-ABCDISCOTEC）技术实现的，该技术最小化了距离相关损失（DisCo）并强制执行闭合关系。

核心贡献

• 首次实验约束： 本工作提供了对富含轻子的半可见喷注的首次实验限制，这类信号此前从未被对撞机实验探索过。
• 新型 ML 集成： 本文引入了首次应用扩展 LUNDNET GNN 来区分富含轻子的 SVJ 与 SM 背景的研究。
• 先进的背景估计： 展示了 MD-ABCDISCOTEC 方法在共振搜索中的应用，成功将判别变量与搜索质量变量（$m_T$）去相关，从而实现对 $m_T$ 间隔内稳健的背景估计。
• 双情景分析： 本分析独特地处理了两种不同的信号拓扑（$\text{SVJ}_\ell$ 和 $\text{SVJ}_\tau$），采用了定制的选择策略（轻子隔离 vs. 0-轻子）和特定的 ML 训练配置。

结果
在观测数据中未发现相对于标准模型预测的显著超额。结果被解释为对产生截面乘以分支比（$\sigma_{Z'} \mathcal{B}_{\text{dark}}$）的 95% 置信水平（CL）上限。

• $\text{SVJ}_\ell$ 情景： 对于基准不可见份额（$r_{\text{inv}}$）为 0.3 且暗强子质量（$m_{\text{dark}}$）为 16 GeV 的情况，排除的介子质量（$m_{Z'}$）范围为 1.5 至 4.7 TeV。在选择效率和背景抑制达到最优的中等 $r_{\text{inv}}$ 值处，排除范围最为敏感。
• $\text{SVJ}_\tau$ 情景： 对于 $r_{\text{inv}} = 0.3$、$B_\tau = 0.3$ 且 $m_{\text{dark}} = 8$ GeV 的情况，排除的介子质量范围为 1.8 至 3.5 TeV。0-轻子类别对排除高质量信号（$>3$ TeV）贡献显著，而多轻子类别通过抑制 QCD 背景增强了在低质量区的灵敏度。
• 局部涨落： 在 $\text{SVJ}_\tau$ 搜索中，观测到的限制与预期限制在 $m_{Z'} = 3$ TeV 且 $r_{\text{inv}} = 0.7$ 时存在微小差异，局部显著性为 2.4$\sigma$。然而，在考虑了“看看效应”（look-elsewhere effect）后，全局显著性降至 1.6$\sigma$，与统计涨落一致。

意义
本文声称通过探索以轻子富集为特征的新参数空间，补充了现有的二喷注共振、带初态辐射暗物质以及全强子半可见喷注的搜索。通过建立对这些特定 HV 情景的首次约束，本分析证明了现代机器学习技术（用于喷注子结构的 GNN 和去相关 DNN）能够探测复杂的暗部门信号，而这些信号此前无法通过标准的触发和选择策略进行探测。其结果约束了那些通过优先产生轻子的门户与 SM 进行通信的暗模型，从而缩小了强耦合暗物质模型的可行参数空间。