[논문 리뷰] Differential $ t\overline{t} $ cross-section measurements using boosted top quarks in the all-hadronic final state with 139 fb$^{−1}$ of ATLAS data

ATLAS Collaboration|arXiv (Cornell University)|2022. 01. 01.

Particle physics theoretical and experimental studies인용 수 2

한 줄 요약

이 논문은 ATLAS 실험에서 13 TeV의 프로톤-프로톤 충돌 데이터 139 fb⁻¹를 사용하여, 모든 하드론(final state)에서 부스터된 토큰 쿼크 쌍 생성 단면적을 측정한다. 고급 제트 서브스트럭처 및 b-태깅 기술을 활용하여, 검출기 효과를 보정하여 입자 수준 및 파르톤 수준의 단면적을 추출하였으며, 이는 NNLO QCD 예측과 양호한 일치를 보이며 효과적 장 이론 연산자에 대한 제약 조건을 설정한다.

ABSTRACT

Measurements of single-, double-, and triple-differential cross-sections are presented for boosted top-quark pair-production in 13 TeV proton–proton collisions recorded by the ATLAS detector at the LHC. The top quarks are observed through their hadronic decay and reconstructed as large-radius jets with the leading jet having transverse momentum (p$_{T}$) greater than 500 GeV. The observed data are unfolded to remove detector effects. The particle-level cross-section, multiplied by the $ t\overline{t} o WWb\overline{b} $ branching fraction and measured in a fiducial phase space defined by requiring the leading and second-leading jets to have p$_{T}$> 500 GeV and p$_{T}$> 350 GeV, respectively, is 331 ± 3(stat.) ± 39(syst.) fb. This is approximately 20% lower than the prediction of $ {398}_{-49}^{+48} $ fb by Powheg+Pythia 8 with next-to-leading-order (NLO) accuracy but consistent within the theoretical uncertainties. Results are also presented at the parton level, where the effects of top-quark decay, parton showering, and hadronization are removed such that they can be compared with fixed-order next-to-next-to-leading-order (NNLO) calculations. The parton-level cross-section, measured in a fiducial phase space similar to that at particle level, is 1.94 ± 0.02(stat.) ± 0.25(syst.) pb. This agrees with the NNLO prediction of $ {1.96}_{-0.17}^{+0.02} $ pb. Reasonable agreement with the differential cross-sections is found for most NLO models, while the NNLO calculations are generally in better agreement with the data. The differential cross-sections are interpreted using a Standard Model effective field-theory formalism and limits are set on Wilson coefficients of several four-fermion operators.[graphic not available: see fulltext]

연구 동기 및 목표

• 고운동량 전단에서의 모든 하드론 final state에서의 차별적 토큰 쿼크 쌍 생성 단면적 측정, 특히 부스터된 토큰 쿼크에 초점 맞춤.
• 검출기 수준 분포를 입자 수준 및 파르톤 수준의 유효 영역으로 전환하여 검출기 유도된 편향을 줄임.
• 이론적 불확실성이 큰 운동역학적 영역에서 최신 QCD 계산(NLO 및 NNLO)의 정확도를 고정밀도 데이터와 비교.
• 차별적 분포의 효과적 장 이론(EFT) 해석을 통해 새로운 물리학을 제약.
• 딥 뉴럴 네트워크를 활용한 토큰-태깅 및 b-태깅을 통해 모든 하드론 채널에서 배경 추정, 특히 다중 제트 및 tt̄가 아닌 과정의 정밀도 향상.

제안 방법

• 주 제트의 운동량이 500 GeV 이상, 두 번째 주 제트의 운동량이 350 GeV 이상인 경우, 큰 반경(R = 1.0)의 제트로 토큰 쿼크를 재구성.
• 제트 서브스트럭처를 활용한 딥 뉴럴 네트워크(DNN) 기반의 토큰-태깅 알고리즘을 적용하여, 하드론 붕괴에서 기인한 토큰 쿼크 제트를 식별.
• 두 번째 DNN를 사용하여 b-하드론에서 기인한 제트를 식별하고, 이격된 정점 정보를 활용.
• 다변량의 언폴딩 알고리즘을 활용하여 검출기 수준 분포를 입자 수준 및 파르톤 수준의 위상공간으로 보정하여, 검출기 분辩도 및 효율성 영향 제거.
• 측정된 단면적을 Powheg+Pythia 8(NLO), MG5_aMC@NLO(NLO), 고정 순서 NNLO 계산의 예측과 비교.
• 차별적 단면적을 네이처-페어 연산자의 윌슨 계수에 맞추어 EFT 해석을 수행하고, 새로운 물리학 결합 상수에 대한 상한을 설정.

실험 결과

연구 질문

• RQ1 모든 하드론 final state에서 부스터된 토큰 쿼크 쌍 생성의 차별적 단면적은 NLO 및 NNLO QCD 예측과 어떻게 비교되는가?
• RQ2 검출기 효과는 모든 하드론 채널에서 토큰 쿼크의 진짜 운동역학적 분포를 얼마나 왜곡하는가? 그리고 언폴딩을 통해 얼마나 잘 보정될 수 있는가?
• RQ3 측정된 차별적 분포를 바탕으로 효과적 장 이론의 네 페르미온 연산자에 대해 새로운 물리학에 대한 제약 조건은 무엇인가?
• RQ4 다양한 초기-최종 상태 복사 모델(Powheg+Pythia 8, 다양한 초기-최종 상태 복사 설정 포함)이 데이터의 기술적 기술에 어떤 영향을 미치는가?
• RQ5 측정된 입자 수준 단면적과 NLO 예측 간의 관측된 불일치의 의미는 무엇이며, 이는 이론적 불확실성 범위 내에 일치하는가?

주요 결과

• 측정된 입자 수준 유효 단면적은 tt̄ → WWbb̄ 붕괴 분율을 곱한 결과 331 ± 3 (통계) ± 39 (시스템) fb로, Powheg+Pythia 8 NLO 예측인 398+48−49 fb보다 약 20% 낮지만, 이론적 불확실성 범위 내에서 일치.
• 파르톤 수준 유효 단면적은 1.94 ± 0.02 (통계) ± 0.25 (시스템) pb로 측정되었으며, NNLO 예측인 1.96+0.02−0.17 pb와 뛰어난 일치를 보였다.
• 대부분의 NLO 모델은 데이터와 합리적인 일치를 보였지만, 모든 운동역학 변수에서 NNLO 계산이 측정된 차별적 단면적과 더 나은 일치를 보였다.
• 주 토큰 쿼크의 pT, tt̄ 진동 질량, 빠르기와 관련된 차별적 단면적은 NNLO 예측과 양호한 일치를 보였으며, 특히 고질량 및 고운동량 영역에서 뚜렷한 일치를 보였다.
• EFT 해석을 통해 여러 네 페르미온 연산자의 윌슨 계수에 대한 상한을 설정하였으며, 가장 엄격한 제약는 tT̄ → bb̄qq̄ 및 tT̄ → bb̄qq̄ 채널에서 유도되었다.
• 시스템적 불확실성은 주로 제트 에너지 스케일 및 해상도, b-태깅 효율성, 배경 추정에 기인하며, 대부분의 구간에서 통계적 불확실성은 보조적인 역할을 한다.